Sorotan Qwen3.8 dalam model penglihatan-bahasa padat
Qwen3.8-27B membawa penambahbaikan pengekodan, kerja profesional, penyelidikan dan tugas ejen Qwen3.8 ke dalam model padat 27 bilion parameter. Ia menerima teks, imej dan video serta mengembalikan teks. Skop visual yang didokumenkan merangkumi rajah STEM, halaman dokumen dan video berskala jam. Ia ialah checkpoint berbeza daripada Qwen3.8-2.4T-A95B yang jauh lebih besar dan teks sahaja, maka keupayaan input serta kontrak pemikiran masing-masing perlu kekal berasingan.
Qwen menekankan perancangan autonomi, penggunaan maklum balas persekitaran dan penyepaduan dengan persekitaran sokongan pembangunan. Untuk tugas ejen, bekalkan matlamat, bahan berkaitan, alat yang dibenarkan dan bukti yang menunjukkan penyiapan. Model boleh mencadangkan dan menyemak tindakan menggunakan hasil yang dikembalikan; perisian yang disambungkan melaksanakan tindakan tersebut. Minta artifak akhir dan syarat yang belum dipenuhi, bukannya menganggap rancangan sebagai hasil pelaksanaan sebenar.
Gambaran keseluruhan model
Model 27B mempunyai 64 lapisan model bahasa. Susun atur hibridnya mengumpulkan tiga lapisan Gated DeltaNet diikuti satu lapisan perhatian dengan mekanisme gerbang, dengan rangkaian suap hadapan padat. Ia dilatih dengan ramalan berbilang token dan merangkumi pengekod penglihatan. Pilihan seni bina ini menerangkan model yang dikeluarkan; ia tidak bermaksud setiap pelaksanaan mempunyai penggunaan memori atau kependaman yang sama.
Konteks natif ialah 262,144 token, dengan peluasan kepada 1,000,000 yang didokumenkan. Teks, perwakilan visual, sejarah perbualan, pemikiran dan output akhir berkongsi bajet urutan yang dikonfigurasi. Pembuat membincangkan edisi terurus dengan ciri tambahan secara berasingan; ciri itu tidak patut diberikan secara automatik kepada checkpoint terbuka.
Menggunakan teks, imej dan video
Untuk tugas kod, berikan fungsi atau modul berkaitan, input yang gagal dan tingkah laku yang dijangka, kemudian minta tampalan bersama andaian serta pemeriksaan yang terjejas. Untuk rajah, kekalkan label dan berikan soalan lengkap. Untuk dokumen, minta medan bernama atau kesimpulan dengan rujukan halaman. Untuk video, nyatakan peristiwa yang diminati dan kekalkan masanya.
Contoh video pembuat menggunakan dua bingkai sesaat secara lalai dalam aliran kerja penyajian yang disokong, dengan kawalan pensampelan pilihan. Ringkasan adegan umum dan peristiwa singkat mungkin memerlukan pensampelan berbeza. Panduan video panjang mengesyorkan peluasan bajet pemproses video untuk menyokong pensampelan berkadar lebih tinggi bagi bahan berskala jam, dengan contoh bersamaan kira-kira 224K token video. Ini memerlukan konfigurasi dan bersaing dengan kandungan konteks lain; ia bukan jaminan tempoh klip sejagat.
Pemikiran dan penaakulan terdahulu
Pemikiran didayakan secara lalai dan boleh dinyahdayakan bagi setiap permintaan melalui kawalan enable_thinking pembuat. reasoning_effort menyokong xhigh, medium dan low, dengan xhigh sebagai lalai. Usaha lebih rendah boleh memendekkan satu giliran, tetapi Qwen memberi amaran bahawa analisis tidak mencukupi dalam tugas ejen boleh menyebabkan kegagalan dan kerja berulang, lalu meningkatkan jumlah masa penyiapan.
preserve_thinking didayakan secara lalai, mengekalkan blok penaakulan daripada mesej terdahulu untuk kesinambungan. Penyahdayaannya mengekalkan hanya blok pemikiran yang dijana semasa mengendalikan mesej pengguna terkini. Ini berbeza daripada panduan Qwen lama yang membuang seluruh penaakulan terdahulu. Asingkan penaakulan dan kandungan akhir dalam antara muka, serta kekalkan format perbualan tepat yang dijangka oleh checkpoint. Kawalan pembuat tidak menetapkan parameter yang tersedia pada aplikasi lain.
Panduan penjanaan
Untuk mod berfikir, Qwen mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0. Untuk respons terus, ia mengesyorkan masing-masing 0.7, 0.8, 20, 0, 1.5 dan 1.0. Penalti kehadiran lebih tinggi boleh mengurangkan pengulangan tetapi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Dalam aliran kerja satu juta token yang dikonfigurasi dan menyokong had berasingan, pembuat mengesyorkan peruntukan 262,144 token untuk penaakulan dan 131,072 untuk respons akhir. Ini ialah cadangan bajet bersyarat, bukannya had mutlak output yang berdiri sendiri atau peruntukan yang muat serentak dalam konteks natif.
Konteks amat panjang dan had
Peluasan yang didokumenkan menggunakan YaRN dengan tetapan kedudukan berselang model sendiri. Faktor empat menyasarkan aliran kerja satu juta token; untuk beban kerja sekitar 524,288 token, pembuat mencadangkan faktor dua. Penskalaan statik boleh menjejaskan kualiti teks lebih pendek, maka Qwen menyarankan pendayaannya apabila konteks lebih panjang diperlukan. Jangan salin faktor ekstrapolasi edisi Qwen-VL berbeza tanpa resipinya sendiri.
Susun input panjang mengikut dokumen, halaman atau pengecam kod dan minta hasil yang boleh diperiksa. Sahkan pengiraan, label visual kecil dan tampalan yang dijana berdasarkan sumber. Konteks panjang, penaakulan yang dikekalkan dan bajet video lebih besar membantu membawa lebih banyak bukti sepanjang tugas; perkara itu sendiri tidak membuktikan ingatan semula lengkap, penaakulan betul atau tindakan luaran yang selesai.
", "aboutText": "Sorotan Qwen3.8 dalam model penglihatan-bahasa padat\n\nQwen3.8-27B membawa penambahbaikan pengekodan, kerja profesional, penyelidikan dan tugas ejen Qwen3.8 ke dalam model padat 27 bilion parameter. Ia menerima teks, imej dan video serta mengembalikan teks. Skop visual yang didokumenkan merangkumi rajah STEM, halaman dokumen dan video berskala jam. Ia ialah checkpoint berbeza daripada Qwen3.8-2.4T-A95B yang jauh lebih besar dan teks sahaja, maka keupayaan input serta kontrak pemikiran masing-masing perlu kekal berasingan.\n\nQwen menekankan perancangan autonomi, penggunaan maklum balas persekitaran dan penyepaduan dengan persekitaran sokongan pembangunan. Untuk tugas ejen, bekalkan matlamat, bahan berkaitan, alat yang dibenarkan dan bukti yang menunjukkan penyiapan. Model boleh mencadangkan dan menyemak tindakan menggunakan hasil yang dikembalikan; perisian yang disambungkan melaksanakan tindakan tersebut. Minta artifak akhir dan syarat yang belum dipenuhi, bukannya menganggap rancangan sebagai hasil pelaksanaan sebenar.\n\nGambaran keseluruhan model\n\nModel 27B mempunyai 64 lapisan model bahasa. Susun atur hibridnya mengumpulkan tiga lapisan Gated DeltaNet diikuti satu lapisan perhatian dengan mekanisme gerbang, dengan rangkaian suap hadapan padat. Ia dilatih dengan ramalan berbilang token dan merangkumi pengekod penglihatan. Pilihan seni bina ini menerangkan model yang dikeluarkan; ia tidak bermaksud setiap pelaksanaan mempunyai penggunaan memori atau kependaman yang sama.\n\nKonteks natif ialah 262,144 token, dengan peluasan kepada 1,000,000 yang didokumenkan. Teks, perwakilan visual, sejarah perbualan, pemikiran dan output akhir berkongsi bajet urutan yang dikonfigurasi. Pembuat membincangkan edisi terurus dengan ciri tambahan secara berasingan; ciri itu tidak patut diberikan secara automatik kepada checkpoint terbuka.\n\nMenggunakan teks, imej dan video\n\nUntuk tugas kod, berikan fungsi atau modul berkaitan, input yang gagal dan tingkah laku yang dijangka, kemudian minta tampalan bersama andaian serta pemeriksaan yang terjejas. Untuk rajah, kekalkan label dan berikan soalan lengkap. Untuk dokumen, minta medan bernama atau kesimpulan dengan rujukan halaman. Untuk video, nyatakan peristiwa yang diminati dan kekalkan masanya.\n\nContoh video pembuat menggunakan dua bingkai sesaat secara lalai dalam aliran kerja penyajian yang disokong, dengan kawalan pensampelan pilihan. Ringkasan adegan umum dan peristiwa singkat mungkin memerlukan pensampelan berbeza. Panduan video panjang mengesyorkan peluasan bajet pemproses video untuk menyokong pensampelan berkadar lebih tinggi bagi bahan berskala jam, dengan contoh bersamaan kira-kira 224K token video. Ini memerlukan konfigurasi dan bersaing dengan kandungan konteks lain; ia bukan jaminan tempoh klip sejagat.\n\nPemikiran dan penaakulan terdahulu\n\nPemikiran didayakan secara lalai dan boleh dinyahdayakan bagi setiap permintaan melalui kawalan enable_thinking pembuat. reasoning_effort menyokong xhigh, medium dan low, dengan xhigh sebagai lalai. Usaha lebih rendah boleh memendekkan satu giliran, tetapi Qwen memberi amaran bahawa analisis tidak mencukupi dalam tugas ejen boleh menyebabkan kegagalan dan kerja berulang, lalu meningkatkan jumlah masa penyiapan.\n\npreserve_thinking didayakan secara lalai, mengekalkan blok penaakulan daripada mesej terdahulu untuk kesinambungan. Penyahdayaannya mengekalkan hanya blok pemikiran yang dijana semasa mengendalikan mesej pengguna terkini. Ini berbeza daripada panduan Qwen lama yang membuang seluruh penaakulan terdahulu. Asingkan penaakulan dan kandungan akhir dalam antara muka, serta kekalkan format perbualan tepat yang dijangka oleh checkpoint. Kawalan pembuat tidak menetapkan parameter yang tersedia pada aplikasi lain.\n\nPanduan penjanaan\n\nUntuk mod berfikir, Qwen mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0. Untuk respons terus, ia mengesyorkan masing-masing 0.7, 0.8, 20, 0, 1.5 dan 1.0. Penalti kehadiran lebih tinggi boleh mengurangkan pengulangan tetapi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.\n\nDalam aliran kerja satu juta token yang dikonfigurasi dan menyokong had berasingan, pembuat mengesyorkan peruntukan 262,144 token untuk penaakulan dan 131,072 untuk respons akhir. Ini ialah cadangan bajet bersyarat, bukannya had mutlak output yang berdiri sendiri atau peruntukan yang muat serentak dalam konteks natif.\n\nKonteks amat panjang dan had\n\nPeluasan yang didokumenkan menggunakan YaRN dengan tetapan kedudukan berselang model sendiri. Faktor empat menyasarkan aliran kerja satu juta token; untuk beban kerja sekitar 524,288 token, pembuat mencadangkan faktor dua. Penskalaan statik boleh menjejaskan kualiti teks lebih pendek, maka Qwen menyarankan pendayaannya apabila konteks lebih panjang diperlukan. Jangan salin faktor ekstrapolasi edisi Qwen-VL berbeza tanpa resipinya sendiri.\n\nSusun input panjang mengikut dokumen, halaman atau pengecam kod dan minta hasil yang boleh diperiksa. Sahkan pengiraan, label visual kecil dan tampalan yang dijana berdasarkan sumber. Konteks panjang, penaakulan yang dikekalkan dan bajet video lebih besar membantu membawa lebih banyak bukti sepanjang tugas; perkara itu sendiri tidak membuktikan ingatan semula lengkap, penaakulan betul atau tindakan luaran yang selesai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B ialah model penglihatan-bahasa padat Qwen untuk teks, imej dan video yang mengembalikan teks. Ia menggabungkan pengekodan serta kerja ejen yang melibatkan banyak langkah dengan mod berfikir yang boleh dipilih, pengekalan penaakulan dan konteks natif 262,144 token yang boleh diperluas kepada satu juta melalui konfigurasi.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.8 dalam model penglihatan-bahasa padat
Qwen3.8-27B membawa penambahbaikan pengekodan, kerja profesional, penyelidikan dan tugas ejen Qwen3.8 ke dalam model padat 27 bilion parameter. Ia menerima teks, imej dan video serta mengembalikan teks. Skop visual yang didokumenkan merangkumi rajah STEM, halaman dokumen dan video berskala jam. Ia ialah checkpoint berbeza daripada Qwen3.8-2.4T-A95B yang jauh lebih besar dan teks sahaja, maka keupayaan input serta kontrak pemikiran masing-masing perlu kekal berasingan.
Qwen menekankan perancangan autonomi, penggunaan maklum balas persekitaran dan penyepaduan dengan persekitaran sokongan pembangunan. Untuk tugas ejen, bekalkan matlamat, bahan berkaitan, alat yang dibenarkan dan bukti yang menunjukkan penyiapan. Model boleh mencadangkan dan menyemak tindakan menggunakan hasil yang dikembalikan; perisian yang disambungkan melaksanakan tindakan tersebut. Minta artifak akhir dan syarat yang belum dipenuhi, bukannya menganggap rancangan sebagai hasil pelaksanaan sebenar.
Gambaran keseluruhan model
Model 27B mempunyai 64 lapisan model bahasa. Susun atur hibridnya mengumpulkan tiga lapisan Gated DeltaNet diikuti satu lapisan perhatian dengan mekanisme gerbang, dengan rangkaian suap hadapan padat. Ia dilatih dengan ramalan berbilang token dan merangkumi pengekod penglihatan. Pilihan seni bina ini menerangkan model yang dikeluarkan; ia tidak bermaksud setiap pelaksanaan mempunyai penggunaan memori atau kependaman yang sama.
Konteks natif ialah 262,144 token, dengan peluasan kepada 1,000,000 yang didokumenkan. Teks, perwakilan visual, sejarah perbualan, pemikiran dan output akhir berkongsi bajet urutan yang dikonfigurasi. Pembuat membincangkan edisi terurus dengan ciri tambahan secara berasingan; ciri itu tidak patut diberikan secara automatik kepada checkpoint terbuka.
Menggunakan teks, imej dan video
Untuk tugas kod, berikan fungsi atau modul berkaitan, input yang gagal dan tingkah laku yang dijangka, kemudian minta tampalan bersama andaian serta pemeriksaan yang terjejas. Untuk rajah, kekalkan label dan berikan soalan lengkap. Untuk dokumen, minta medan bernama atau kesimpulan dengan rujukan halaman. Untuk video, nyatakan peristiwa yang diminati dan kekalkan masanya.
Contoh video pembuat menggunakan dua bingkai sesaat secara lalai dalam aliran kerja penyajian yang disokong, dengan kawalan pensampelan pilihan. Ringkasan adegan umum dan peristiwa singkat mungkin memerlukan pensampelan berbeza. Panduan video panjang mengesyorkan peluasan bajet pemproses video untuk menyokong pensampelan berkadar lebih tinggi bagi bahan berskala jam, dengan contoh bersamaan kira-kira 224K token video. Ini memerlukan konfigurasi dan bersaing dengan kandungan konteks lain; ia bukan jaminan tempoh klip sejagat.
Pemikiran dan penaakulan terdahulu
Pemikiran didayakan secara lalai dan boleh dinyahdayakan bagi setiap permintaan melalui kawalan enable_thinking pembuat. reasoning_effort menyokong xhigh, medium dan low, dengan xhigh sebagai lalai. Usaha lebih rendah boleh memendekkan satu giliran, tetapi Qwen memberi amaran bahawa analisis tidak mencukupi dalam tugas ejen boleh menyebabkan kegagalan dan kerja berulang, lalu meningkatkan jumlah masa penyiapan.
preserve_thinking didayakan secara lalai, mengekalkan blok penaakulan daripada mesej terdahulu untuk kesinambungan. Penyahdayaannya mengekalkan hanya blok pemikiran yang dijana semasa mengendalikan mesej pengguna terkini. Ini berbeza daripada panduan Qwen lama yang membuang seluruh penaakulan terdahulu. Asingkan penaakulan dan kandungan akhir dalam antara muka, serta kekalkan format perbualan tepat yang dijangka oleh checkpoint. Kawalan pembuat tidak menetapkan parameter yang tersedia pada aplikasi lain.
Panduan penjanaan
Untuk mod berfikir, Qwen mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0. Untuk respons terus, ia mengesyorkan masing-masing 0.7, 0.8, 20, 0, 1.5 dan 1.0. Penalti kehadiran lebih tinggi boleh mengurangkan pengulangan tetapi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Dalam aliran kerja satu juta token yang dikonfigurasi dan menyokong had berasingan, pembuat mengesyorkan peruntukan 262,144 token untuk penaakulan dan 131,072 untuk respons akhir. Ini ialah cadangan bajet bersyarat, bukannya had mutlak output yang berdiri sendiri atau peruntukan yang muat serentak dalam konteks natif.
Konteks amat panjang dan had
Peluasan yang didokumenkan menggunakan YaRN dengan tetapan kedudukan berselang model sendiri. Faktor empat menyasarkan aliran kerja satu juta token; untuk beban kerja sekitar 524,288 token, pembuat mencadangkan faktor dua. Penskalaan statik boleh menjejaskan kualiti teks lebih pendek, maka Qwen menyarankan pendayaannya apabila konteks lebih panjang diperlukan. Jangan salin faktor ekstrapolasi edisi Qwen-VL berbeza tanpa resipinya sendiri.
Susun input panjang mengikut dokumen, halaman atau pengecam kod dan minta hasil yang boleh diperiksa. Sahkan pengiraan, label visual kecil dan tampalan yang dijana berdasarkan sumber. Konteks panjang, penaakulan yang dikekalkan dan bajet video lebih besar membantu membawa lebih banyak bukti sepanjang tugas; perkara itu sendiri tidak membuktikan ingatan semula lengkap, penaakulan betul atau tindakan luaran yang selesai.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.8-27b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00085 / 1K token Output · Token output $0.0051 / 1K token Input · Bacaan cache $0.00017 / 1K token Input · Penulisan cache $0.0010625 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00085 / 1K token Output · Token output $0.0051 / 1K token Input · Bacaan cache $0.00017 / 1K token Input · Penulisan cache $0.0010625 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen/qwen3.8-27b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.8-27bQwen3.8-27B ialah model penglihatan-bahasa padat Qwen untuk teks, imej dan video yang mengembalikan teks. Ia menggabungkan pengekodan serta kerja ejen yang melibatkan banyak langkah dengan mod berfikir yang boleh dipilih, pengekalan penaakulan dan konteks natif 262,144 token yang boleh diperluas kepada satu juta melalui konfigurasi.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.8 dalam model penglihatan-bahasa padat
Qwen3.8-27B membawa penambahbaikan pengekodan, kerja profesional, penyelidikan dan tugas ejen Qwen3.8 ke dalam model padat 27 bilion parameter. Ia menerima teks, imej dan video serta mengembalikan teks. Skop visual yang didokumenkan merangkumi rajah STEM, halaman dokumen dan video berskala jam. Ia ialah checkpoint berbeza daripada Qwen3.8-2.4T-A95B yang jauh lebih besar dan teks sahaja, maka keupayaan input serta kontrak pemikiran masing-masing perlu kekal berasingan.
Qwen menekankan perancangan autonomi, penggunaan maklum balas persekitaran dan penyepaduan dengan persekitaran sokongan pembangunan. Untuk tugas ejen, bekalkan matlamat, bahan berkaitan, alat yang dibenarkan dan bukti yang menunjukkan penyiapan. Model boleh mencadangkan dan menyemak tindakan menggunakan hasil yang dikembalikan; perisian yang disambungkan melaksanakan tindakan tersebut. Minta artifak akhir dan syarat yang belum dipenuhi, bukannya menganggap rancangan sebagai hasil pelaksanaan sebenar.
Gambaran keseluruhan model
Model 27B mempunyai 64 lapisan model bahasa. Susun atur hibridnya mengumpulkan tiga lapisan Gated DeltaNet diikuti satu lapisan perhatian dengan mekanisme gerbang, dengan rangkaian suap hadapan padat. Ia dilatih dengan ramalan berbilang token dan merangkumi pengekod penglihatan. Pilihan seni bina ini menerangkan model yang dikeluarkan; ia tidak bermaksud setiap pelaksanaan mempunyai penggunaan memori atau kependaman yang sama.
Konteks natif ialah 262,144 token, dengan peluasan kepada 1,000,000 yang didokumenkan. Teks, perwakilan visual, sejarah perbualan, pemikiran dan output akhir berkongsi bajet urutan yang dikonfigurasi. Pembuat membincangkan edisi terurus dengan ciri tambahan secara berasingan; ciri itu tidak patut diberikan secara automatik kepada checkpoint terbuka.
Menggunakan teks, imej dan video
Untuk tugas kod, berikan fungsi atau modul berkaitan, input yang gagal dan tingkah laku yang dijangka, kemudian minta tampalan bersama andaian serta pemeriksaan yang terjejas. Untuk rajah, kekalkan label dan berikan soalan lengkap. Untuk dokumen, minta medan bernama atau kesimpulan dengan rujukan halaman. Untuk video, nyatakan peristiwa yang diminati dan kekalkan masanya.
Contoh video pembuat menggunakan dua bingkai sesaat secara lalai dalam aliran kerja penyajian yang disokong, dengan kawalan pensampelan pilihan. Ringkasan adegan umum dan peristiwa singkat mungkin memerlukan pensampelan berbeza. Panduan video panjang mengesyorkan peluasan bajet pemproses video untuk menyokong pensampelan berkadar lebih tinggi bagi bahan berskala jam, dengan contoh bersamaan kira-kira 224K token video. Ini memerlukan konfigurasi dan bersaing dengan kandungan konteks lain; ia bukan jaminan tempoh klip sejagat.
Pemikiran dan penaakulan terdahulu
Pemikiran didayakan secara lalai dan boleh dinyahdayakan bagi setiap permintaan melalui kawalan enable_thinking pembuat. reasoning_effort menyokong xhigh, medium dan low, dengan xhigh sebagai lalai. Usaha lebih rendah boleh memendekkan satu giliran, tetapi Qwen memberi amaran bahawa analisis tidak mencukupi dalam tugas ejen boleh menyebabkan kegagalan dan kerja berulang, lalu meningkatkan jumlah masa penyiapan.
preserve_thinking didayakan secara lalai, mengekalkan blok penaakulan daripada mesej terdahulu untuk kesinambungan. Penyahdayaannya mengekalkan hanya blok pemikiran yang dijana semasa mengendalikan mesej pengguna terkini. Ini berbeza daripada panduan Qwen lama yang membuang seluruh penaakulan terdahulu. Asingkan penaakulan dan kandungan akhir dalam antara muka, serta kekalkan format perbualan tepat yang dijangka oleh checkpoint. Kawalan pembuat tidak menetapkan parameter yang tersedia pada aplikasi lain.
Panduan penjanaan
Untuk mod berfikir, Qwen mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0. Untuk respons terus, ia mengesyorkan masing-masing 0.7, 0.8, 20, 0, 1.5 dan 1.0. Penalti kehadiran lebih tinggi boleh mengurangkan pengulangan tetapi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Dalam aliran kerja satu juta token yang dikonfigurasi dan menyokong had berasingan, pembuat mengesyorkan peruntukan 262,144 token untuk penaakulan dan 131,072 untuk respons akhir. Ini ialah cadangan bajet bersyarat, bukannya had mutlak output yang berdiri sendiri atau peruntukan yang muat serentak dalam konteks natif.
Konteks amat panjang dan had
Peluasan yang didokumenkan menggunakan YaRN dengan tetapan kedudukan berselang model sendiri. Faktor empat menyasarkan aliran kerja satu juta token; untuk beban kerja sekitar 524,288 token, pembuat mencadangkan faktor dua. Penskalaan statik boleh menjejaskan kualiti teks lebih pendek, maka Qwen menyarankan pendayaannya apabila konteks lebih panjang diperlukan. Jangan salin faktor ekstrapolasi edisi Qwen-VL berbeza tanpa resipinya sendiri.
Susun input panjang mengikut dokumen, halaman atau pengecam kod dan minta hasil yang boleh diperiksa. Sahkan pengiraan, label visual kecil dan tampalan yang dijana berdasarkan sumber. Konteks panjang, penaakulan yang dikekalkan dan bajet video lebih besar membantu membawa lebih banyak bukti sepanjang tugas; perkara itu sendiri tidak membuktikan ingatan semula lengkap, penaakulan betul atau tindakan luaran yang selesai.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.8-27b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00085 / 1K token Output · Token output $0.0051 / 1K token Input · Bacaan cache $0.00017 / 1K token Input · Penulisan cache $0.0010625 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00085 / 1K token Output · Token output $0.0051 / 1K token Input · Bacaan cache $0.00017 / 1K token Input · Penulisan cache $0.0010625 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen/qwen3.8-27b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.