Sorotan: model yang dibina untuk ejen pengekodan
Qwen3-Coder-Next ialah model teks terbuka yang direka khusus untuk ejen pengekodan dan aliran kerja pembangunan. Qwen menerangkan penyelesaian masalah jangka panjang, penggunaan alat yang kompleks dan pemulihan daripada kegagalan pelaksanaan, bersama kebolehsuaian kepada kerangka ejen pembangunan yang berbeza. Ia menerima teks dan menghasilkan teks, termasuk kod, penerangan dan permintaan alat. Checkpoint Coder-Next yang tepat ini mempunyai kontrak tanpa pemikiran sendiri; edisi Thinking dalam keluarga Next yang lebih luas tidak seharusnya menggantikannya.
Bagi tugas pembangunan, berikan fail atau petikan yang relevan, tingkah laku yang dikehendaki dan input yang menunjukkan masalah. Minta perubahan yang boleh disunting dan penerangan yang terikat pada keadaan tersebut. Bagi tugas yang melibatkan beberapa langkah, tentukan matlamat, alat yang dibenarkan dan pemerhatian yang menunjukkan penyelesaian. Nilai perubahan kod yang dicadangkan dan penerangannya berdasarkan fail yang dibekalkan, input yang menghasilkan semula kegagalan dan kriteria selesai.
Gambaran keseluruhan model
Model ini mempunyai 80 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Susun atur hibrid 48 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian berpagar. Pembuat menyenaraikan 512 pakar, sepuluh pakar yang diaktifkan dan satu pakar dikongsi. Jumlah kecil yang diaktifkan ialah ciri pengiraan model jarang, bukan saiz checkpoint lengkap.
Konteks natifnya ialah 262,144 token. Contoh pembuat membenarkan konteks lebih kecil, seperti 32,768, apabila kekangan memori menghalang konfigurasi lebih besar daripada berfungsi. Kod sumber, sejarah, pemerhatian alat dan teks terjana mesti muat dalam had jujukan yang dikonfigurasikan. Kad model tidak menentukan peluasan sejuta token secara lalai untuk checkpoint ini.
Menggunakan antara muka teks tanpa pemikiran
Coder-Next hanya menyokong mod tanpa pemikiran dan tidak menjana blok pemikiran eksplisit. Menetapkan enable_thinking=False tidak perlu dalam contoh pembuat. Ia masih boleh menerangkan tampalan, membincangkan algoritma atau membuat penaakulan melalui teks biasa; istilah “tanpa pemikiran” menerangkan mod outputnya dan tidak bermaksud melarang penerangan.
Panduan mula pantas meminta algoritma pengisihan dan menggunakan peruntukan penjanaan 65,536 token. Nilai itu ialah bajet contoh, bukan had output keras yang diterbitkan secara berasingan. Nyatakan format dan kekangan artifak: bahasa, antara muka yang relevan, tingkah laku yang diperlukan dan sama ada jawapan seharusnya mengandungi tampalan, fungsi lengkap atau penerangan. Asingkan hasil yang boleh disunting daripada ulasan supaya mudah dinilai.
Kerangka ejen pembangunan dan konteks
Pembuat menekankan keserasian dengan kerangka ejen gaya CLI dan IDE, termasuk Qwen Code. Kerangka membekalkan keadaan projek, takrif alat, pemerhatian dan format perbualan. Kekalkan input tersebut secara konsisten sepanjang tugas berbilang langkah. Apabila alat melaporkan semakan yang gagal, berikan ralat sebenar dan kod berubah yang relevan, dan bukan sekadar menyuruh model mencuba lagi.
Kerja jangka panjang mendapat manfaat daripada keadaan tugas yang kelihatan: perkara yang diperhatikan, perubahan yang dicadangkan dan syarat yang masih belum diselesaikan. Pemerhatian alat berbeza daripada dakwaan dalam teks terjana. Keupayaan pemulihan kegagalan model tidak seharusnya dianggap sebagai kebenaran automatik untuk menjalankan arahan atau jaminan bahawa setiap pemulihan akan berjaya.
Pengekodan berejen dan panggilan alat
Qwen mendokumentasikan takrif alat gaya fungsi dengan nama, penerangan, skema input dan medan wajib. Berikan takrif yang tepat dan makna nilai pulangan yang dijangka. Aplikasi melaksanakan alat yang dipilih dan mengembalikan hasilnya; model kemudian menggunakan hasil tersebut pada langkah berikutnya. Panggilan alat sendiri tidak memberikan akses kepada sistem fail, sumber langsung atau persekitaran pelaksanaan.
Bagi ejen yang menyunting repositori, hadkan fail yang dibenarkan dan hasil serahan yang diminta. Laporan akhir yang berguna boleh mengenal pasti modul yang terjejas, menerangkan perubahan dan menyenaraikan hasil sebenar yang dikembalikan oleh semakan bersambung. Bezakan arahan yang dicadangkan, kod terjana dan operasi yang selesai. Ini ialah contoh aliran kerja praktikal yang berasaskan skop pembangunan dan alat yang didokumentasikan.
Syor penjanaan
Pembuat mengesyorkan temperature 1.0, top_p 0.95 dan top_k 40. Tetapan tepat ini berbeza daripada beberapa model perbualan Qwen dan seharusnya kekal sebahagian daripada kaedah Coder-Next sendiri. Konfigurasi yang diterbitkan menggunakan seni bina model bahasa kausal Qwen3-Next. Gunakan nama model dan templat sembang checkpoint ini yang didokumentasikan secara konsisten sepanjang aliran kerja pengekodan.
Had substantif
Input yang didokumentasikan ialah teks, jadi tangkap layar, audio atau video memerlukan representasi berasingan yang sesuai sebelum aliran kerja pengekodan ini. Konteks natif dan peruntukan penjanaan contoh adalah terhad; pangkas kod tidak berkaitan dan peruntukkan ruang untuk artifak yang diminta. Semak sintaks terjana, antara muka, kes pinggir dan perubahan yang dicadangkan dalam aliran kerja pembangunan sebenar. Output yang berguna ialah artifak kod atau penerangan yang boleh diperiksa, disokong bukti tugas sebenar dan mengekalkan identiti teks sahaja serta tanpa pemikiran checkpoint ini.
", "aboutText": "Sorotan: model yang dibina untuk ejen pengekodan\n\nQwen3-Coder-Next ialah model teks terbuka yang direka khusus untuk ejen pengekodan dan aliran kerja pembangunan. Qwen menerangkan penyelesaian masalah jangka panjang, penggunaan alat yang kompleks dan pemulihan daripada kegagalan pelaksanaan, bersama kebolehsuaian kepada kerangka ejen pembangunan yang berbeza. Ia menerima teks dan menghasilkan teks, termasuk kod, penerangan dan permintaan alat. Checkpoint Coder-Next yang tepat ini mempunyai kontrak tanpa pemikiran sendiri; edisi Thinking dalam keluarga Next yang lebih luas tidak seharusnya menggantikannya.\n\nBagi tugas pembangunan, berikan fail atau petikan yang relevan, tingkah laku yang dikehendaki dan input yang menunjukkan masalah. Minta perubahan yang boleh disunting dan penerangan yang terikat pada keadaan tersebut. Bagi tugas yang melibatkan beberapa langkah, tentukan matlamat, alat yang dibenarkan dan pemerhatian yang menunjukkan penyelesaian. Nilai perubahan kod yang dicadangkan dan penerangannya berdasarkan fail yang dibekalkan, input yang menghasilkan semula kegagalan dan kriteria selesai.\n\nGambaran keseluruhan model\n\nModel ini mempunyai 80 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Susun atur hibrid 48 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian berpagar. Pembuat menyenaraikan 512 pakar, sepuluh pakar yang diaktifkan dan satu pakar dikongsi. Jumlah kecil yang diaktifkan ialah ciri pengiraan model jarang, bukan saiz checkpoint lengkap.\n\nKonteks natifnya ialah 262,144 token. Contoh pembuat membenarkan konteks lebih kecil, seperti 32,768, apabila kekangan memori menghalang konfigurasi lebih besar daripada berfungsi. Kod sumber, sejarah, pemerhatian alat dan teks terjana mesti muat dalam had jujukan yang dikonfigurasikan. Kad model tidak menentukan peluasan sejuta token secara lalai untuk checkpoint ini.\n\nMenggunakan antara muka teks tanpa pemikiran\n\nCoder-Next hanya menyokong mod tanpa pemikiran dan tidak menjana blok pemikiran eksplisit. Menetapkan enable_thinking=False tidak perlu dalam contoh pembuat. Ia masih boleh menerangkan tampalan, membincangkan algoritma atau membuat penaakulan melalui teks biasa; istilah “tanpa pemikiran” menerangkan mod outputnya dan tidak bermaksud melarang penerangan.\n\nPanduan mula pantas meminta algoritma pengisihan dan menggunakan peruntukan penjanaan 65,536 token. Nilai itu ialah bajet contoh, bukan had output keras yang diterbitkan secara berasingan. Nyatakan format dan kekangan artifak: bahasa, antara muka yang relevan, tingkah laku yang diperlukan dan sama ada jawapan seharusnya mengandungi tampalan, fungsi lengkap atau penerangan. Asingkan hasil yang boleh disunting daripada ulasan supaya mudah dinilai.\n\nKerangka ejen pembangunan dan konteks\n\nPembuat menekankan keserasian dengan kerangka ejen gaya CLI dan IDE, termasuk Qwen Code. Kerangka membekalkan keadaan projek, takrif alat, pemerhatian dan format perbualan. Kekalkan input tersebut secara konsisten sepanjang tugas berbilang langkah. Apabila alat melaporkan semakan yang gagal, berikan ralat sebenar dan kod berubah yang relevan, dan bukan sekadar menyuruh model mencuba lagi.\n\nKerja jangka panjang mendapat manfaat daripada keadaan tugas yang kelihatan: perkara yang diperhatikan, perubahan yang dicadangkan dan syarat yang masih belum diselesaikan. Pemerhatian alat berbeza daripada dakwaan dalam teks terjana. Keupayaan pemulihan kegagalan model tidak seharusnya dianggap sebagai kebenaran automatik untuk menjalankan arahan atau jaminan bahawa setiap pemulihan akan berjaya.\n\nPengekodan berejen dan panggilan alat\n\nQwen mendokumentasikan takrif alat gaya fungsi dengan nama, penerangan, skema input dan medan wajib. Berikan takrif yang tepat dan makna nilai pulangan yang dijangka. Aplikasi melaksanakan alat yang dipilih dan mengembalikan hasilnya; model kemudian menggunakan hasil tersebut pada langkah berikutnya. Panggilan alat sendiri tidak memberikan akses kepada sistem fail, sumber langsung atau persekitaran pelaksanaan.\n\nBagi ejen yang menyunting repositori, hadkan fail yang dibenarkan dan hasil serahan yang diminta. Laporan akhir yang berguna boleh mengenal pasti modul yang terjejas, menerangkan perubahan dan menyenaraikan hasil sebenar yang dikembalikan oleh semakan bersambung. Bezakan arahan yang dicadangkan, kod terjana dan operasi yang selesai. Ini ialah contoh aliran kerja praktikal yang berasaskan skop pembangunan dan alat yang didokumentasikan.\n\nSyor penjanaan\n\nPembuat mengesyorkan temperature 1.0, top_p 0.95 dan top_k 40. Tetapan tepat ini berbeza daripada beberapa model perbualan Qwen dan seharusnya kekal sebahagian daripada kaedah Coder-Next sendiri. Konfigurasi yang diterbitkan menggunakan seni bina model bahasa kausal Qwen3-Next. Gunakan nama model dan templat sembang checkpoint ini yang didokumentasikan secara konsisten sepanjang aliran kerja pengekodan.\n\nHad substantif\n\nInput yang didokumentasikan ialah teks, jadi tangkap layar, audio atau video memerlukan representasi berasingan yang sesuai sebelum aliran kerja pengekodan ini. Konteks natif dan peruntukan penjanaan contoh adalah terhad; pangkas kod tidak berkaitan dan peruntukkan ruang untuk artifak yang diminta. Semak sintaks terjana, antara muka, kes pinggir dan perubahan yang dicadangkan dalam aliran kerja pembangunan sebenar. Output yang berguna ialah artifak kod atau penerangan yang boleh diperiksa, disokong bukti tugas sebenar dan mengekalkan identiti teks sahaja serta tanpa pemikiran checkpoint ini.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next ialah model ejen pengekodan teks sahaja Qwen dengan 80 bilion parameter keseluruhan dan 3 bilion parameter yang diaktifkan. Ia menggunakan output tanpa pemikiran, konteks natif 262,144 token dan panggilan alat untuk aliran kerja pembangunan, termasuk kerja berbilang langkah dan pemulihan berdasarkan maklum balas pelaksanaan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan: model yang dibina untuk ejen pengekodan
Qwen3-Coder-Next ialah model teks terbuka yang direka khusus untuk ejen pengekodan dan aliran kerja pembangunan. Qwen menerangkan penyelesaian masalah jangka panjang, penggunaan alat yang kompleks dan pemulihan daripada kegagalan pelaksanaan, bersama kebolehsuaian kepada kerangka ejen pembangunan yang berbeza. Ia menerima teks dan menghasilkan teks, termasuk kod, penerangan dan permintaan alat. Checkpoint Coder-Next yang tepat ini mempunyai kontrak tanpa pemikiran sendiri; edisi Thinking dalam keluarga Next yang lebih luas tidak seharusnya menggantikannya.
Bagi tugas pembangunan, berikan fail atau petikan yang relevan, tingkah laku yang dikehendaki dan input yang menunjukkan masalah. Minta perubahan yang boleh disunting dan penerangan yang terikat pada keadaan tersebut. Bagi tugas yang melibatkan beberapa langkah, tentukan matlamat, alat yang dibenarkan dan pemerhatian yang menunjukkan penyelesaian. Nilai perubahan kod yang dicadangkan dan penerangannya berdasarkan fail yang dibekalkan, input yang menghasilkan semula kegagalan dan kriteria selesai.
Gambaran keseluruhan model
Model ini mempunyai 80 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Susun atur hibrid 48 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian berpagar. Pembuat menyenaraikan 512 pakar, sepuluh pakar yang diaktifkan dan satu pakar dikongsi. Jumlah kecil yang diaktifkan ialah ciri pengiraan model jarang, bukan saiz checkpoint lengkap.
Konteks natifnya ialah 262,144 token. Contoh pembuat membenarkan konteks lebih kecil, seperti 32,768, apabila kekangan memori menghalang konfigurasi lebih besar daripada berfungsi. Kod sumber, sejarah, pemerhatian alat dan teks terjana mesti muat dalam had jujukan yang dikonfigurasikan. Kad model tidak menentukan peluasan sejuta token secara lalai untuk checkpoint ini.
Menggunakan antara muka teks tanpa pemikiran
Coder-Next hanya menyokong mod tanpa pemikiran dan tidak menjana blok pemikiran eksplisit. Menetapkan enable_thinking=False tidak perlu dalam contoh pembuat. Ia masih boleh menerangkan tampalan, membincangkan algoritma atau membuat penaakulan melalui teks biasa; istilah “tanpa pemikiran” menerangkan mod outputnya dan tidak bermaksud melarang penerangan.
Panduan mula pantas meminta algoritma pengisihan dan menggunakan peruntukan penjanaan 65,536 token. Nilai itu ialah bajet contoh, bukan had output keras yang diterbitkan secara berasingan. Nyatakan format dan kekangan artifak: bahasa, antara muka yang relevan, tingkah laku yang diperlukan dan sama ada jawapan seharusnya mengandungi tampalan, fungsi lengkap atau penerangan. Asingkan hasil yang boleh disunting daripada ulasan supaya mudah dinilai.
Kerangka ejen pembangunan dan konteks
Pembuat menekankan keserasian dengan kerangka ejen gaya CLI dan IDE, termasuk Qwen Code. Kerangka membekalkan keadaan projek, takrif alat, pemerhatian dan format perbualan. Kekalkan input tersebut secara konsisten sepanjang tugas berbilang langkah. Apabila alat melaporkan semakan yang gagal, berikan ralat sebenar dan kod berubah yang relevan, dan bukan sekadar menyuruh model mencuba lagi.
Kerja jangka panjang mendapat manfaat daripada keadaan tugas yang kelihatan: perkara yang diperhatikan, perubahan yang dicadangkan dan syarat yang masih belum diselesaikan. Pemerhatian alat berbeza daripada dakwaan dalam teks terjana. Keupayaan pemulihan kegagalan model tidak seharusnya dianggap sebagai kebenaran automatik untuk menjalankan arahan atau jaminan bahawa setiap pemulihan akan berjaya.
Pengekodan berejen dan panggilan alat
Qwen mendokumentasikan takrif alat gaya fungsi dengan nama, penerangan, skema input dan medan wajib. Berikan takrif yang tepat dan makna nilai pulangan yang dijangka. Aplikasi melaksanakan alat yang dipilih dan mengembalikan hasilnya; model kemudian menggunakan hasil tersebut pada langkah berikutnya. Panggilan alat sendiri tidak memberikan akses kepada sistem fail, sumber langsung atau persekitaran pelaksanaan.
Bagi ejen yang menyunting repositori, hadkan fail yang dibenarkan dan hasil serahan yang diminta. Laporan akhir yang berguna boleh mengenal pasti modul yang terjejas, menerangkan perubahan dan menyenaraikan hasil sebenar yang dikembalikan oleh semakan bersambung. Bezakan arahan yang dicadangkan, kod terjana dan operasi yang selesai. Ini ialah contoh aliran kerja praktikal yang berasaskan skop pembangunan dan alat yang didokumentasikan.
Syor penjanaan
Pembuat mengesyorkan temperature 1.0, top_p 0.95 dan top_k 40. Tetapan tepat ini berbeza daripada beberapa model perbualan Qwen dan seharusnya kekal sebahagian daripada kaedah Coder-Next sendiri. Konfigurasi yang diterbitkan menggunakan seni bina model bahasa kausal Qwen3-Next. Gunakan nama model dan templat sembang checkpoint ini yang didokumentasikan secara konsisten sepanjang aliran kerja pengekodan.
Had substantif
Input yang didokumentasikan ialah teks, jadi tangkap layar, audio atau video memerlukan representasi berasingan yang sesuai sebelum aliran kerja pengekodan ini. Konteks natif dan peruntukan penjanaan contoh adalah terhad; pangkas kod tidak berkaitan dan peruntukkan ruang untuk artifak yang diminta. Semak sintaks terjana, antara muka, kes pinggir dan perubahan yang dicadangkan dalam aliran kerja pembangunan sebenar. Output yang berguna ialah artifak kod atau penerangan yang boleh diperiksa, disokong bukti tugas sebenar dan mengekalkan identiti teks sahaja serta tanpa pemikiran checkpoint ini.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-coder-next | 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 $0.00024 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00014 / 1K token Input · Penulisan cache — / 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 $0.00024 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00014 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3-coder-nextQwen3-Coder-Next ialah model ejen pengekodan teks sahaja Qwen dengan 80 bilion parameter keseluruhan dan 3 bilion parameter yang diaktifkan. Ia menggunakan output tanpa pemikiran, konteks natif 262,144 token dan panggilan alat untuk aliran kerja pembangunan, termasuk kerja berbilang langkah dan pemulihan berdasarkan maklum balas pelaksanaan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan: model yang dibina untuk ejen pengekodan
Qwen3-Coder-Next ialah model teks terbuka yang direka khusus untuk ejen pengekodan dan aliran kerja pembangunan. Qwen menerangkan penyelesaian masalah jangka panjang, penggunaan alat yang kompleks dan pemulihan daripada kegagalan pelaksanaan, bersama kebolehsuaian kepada kerangka ejen pembangunan yang berbeza. Ia menerima teks dan menghasilkan teks, termasuk kod, penerangan dan permintaan alat. Checkpoint Coder-Next yang tepat ini mempunyai kontrak tanpa pemikiran sendiri; edisi Thinking dalam keluarga Next yang lebih luas tidak seharusnya menggantikannya.
Bagi tugas pembangunan, berikan fail atau petikan yang relevan, tingkah laku yang dikehendaki dan input yang menunjukkan masalah. Minta perubahan yang boleh disunting dan penerangan yang terikat pada keadaan tersebut. Bagi tugas yang melibatkan beberapa langkah, tentukan matlamat, alat yang dibenarkan dan pemerhatian yang menunjukkan penyelesaian. Nilai perubahan kod yang dicadangkan dan penerangannya berdasarkan fail yang dibekalkan, input yang menghasilkan semula kegagalan dan kriteria selesai.
Gambaran keseluruhan model
Model ini mempunyai 80 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Susun atur hibrid 48 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian berpagar. Pembuat menyenaraikan 512 pakar, sepuluh pakar yang diaktifkan dan satu pakar dikongsi. Jumlah kecil yang diaktifkan ialah ciri pengiraan model jarang, bukan saiz checkpoint lengkap.
Konteks natifnya ialah 262,144 token. Contoh pembuat membenarkan konteks lebih kecil, seperti 32,768, apabila kekangan memori menghalang konfigurasi lebih besar daripada berfungsi. Kod sumber, sejarah, pemerhatian alat dan teks terjana mesti muat dalam had jujukan yang dikonfigurasikan. Kad model tidak menentukan peluasan sejuta token secara lalai untuk checkpoint ini.
Menggunakan antara muka teks tanpa pemikiran
Coder-Next hanya menyokong mod tanpa pemikiran dan tidak menjana blok pemikiran eksplisit. Menetapkan enable_thinking=False tidak perlu dalam contoh pembuat. Ia masih boleh menerangkan tampalan, membincangkan algoritma atau membuat penaakulan melalui teks biasa; istilah “tanpa pemikiran” menerangkan mod outputnya dan tidak bermaksud melarang penerangan.
Panduan mula pantas meminta algoritma pengisihan dan menggunakan peruntukan penjanaan 65,536 token. Nilai itu ialah bajet contoh, bukan had output keras yang diterbitkan secara berasingan. Nyatakan format dan kekangan artifak: bahasa, antara muka yang relevan, tingkah laku yang diperlukan dan sama ada jawapan seharusnya mengandungi tampalan, fungsi lengkap atau penerangan. Asingkan hasil yang boleh disunting daripada ulasan supaya mudah dinilai.
Kerangka ejen pembangunan dan konteks
Pembuat menekankan keserasian dengan kerangka ejen gaya CLI dan IDE, termasuk Qwen Code. Kerangka membekalkan keadaan projek, takrif alat, pemerhatian dan format perbualan. Kekalkan input tersebut secara konsisten sepanjang tugas berbilang langkah. Apabila alat melaporkan semakan yang gagal, berikan ralat sebenar dan kod berubah yang relevan, dan bukan sekadar menyuruh model mencuba lagi.
Kerja jangka panjang mendapat manfaat daripada keadaan tugas yang kelihatan: perkara yang diperhatikan, perubahan yang dicadangkan dan syarat yang masih belum diselesaikan. Pemerhatian alat berbeza daripada dakwaan dalam teks terjana. Keupayaan pemulihan kegagalan model tidak seharusnya dianggap sebagai kebenaran automatik untuk menjalankan arahan atau jaminan bahawa setiap pemulihan akan berjaya.
Pengekodan berejen dan panggilan alat
Qwen mendokumentasikan takrif alat gaya fungsi dengan nama, penerangan, skema input dan medan wajib. Berikan takrif yang tepat dan makna nilai pulangan yang dijangka. Aplikasi melaksanakan alat yang dipilih dan mengembalikan hasilnya; model kemudian menggunakan hasil tersebut pada langkah berikutnya. Panggilan alat sendiri tidak memberikan akses kepada sistem fail, sumber langsung atau persekitaran pelaksanaan.
Bagi ejen yang menyunting repositori, hadkan fail yang dibenarkan dan hasil serahan yang diminta. Laporan akhir yang berguna boleh mengenal pasti modul yang terjejas, menerangkan perubahan dan menyenaraikan hasil sebenar yang dikembalikan oleh semakan bersambung. Bezakan arahan yang dicadangkan, kod terjana dan operasi yang selesai. Ini ialah contoh aliran kerja praktikal yang berasaskan skop pembangunan dan alat yang didokumentasikan.
Syor penjanaan
Pembuat mengesyorkan temperature 1.0, top_p 0.95 dan top_k 40. Tetapan tepat ini berbeza daripada beberapa model perbualan Qwen dan seharusnya kekal sebahagian daripada kaedah Coder-Next sendiri. Konfigurasi yang diterbitkan menggunakan seni bina model bahasa kausal Qwen3-Next. Gunakan nama model dan templat sembang checkpoint ini yang didokumentasikan secara konsisten sepanjang aliran kerja pengekodan.
Had substantif
Input yang didokumentasikan ialah teks, jadi tangkap layar, audio atau video memerlukan representasi berasingan yang sesuai sebelum aliran kerja pengekodan ini. Konteks natif dan peruntukan penjanaan contoh adalah terhad; pangkas kod tidak berkaitan dan peruntukkan ruang untuk artifak yang diminta. Semak sintaks terjana, antara muka, kes pinggir dan perubahan yang dicadangkan dalam aliran kerja pembangunan sebenar. Output yang berguna ialah artifak kod atau penerangan yang boleh diperiksa, disokong bukti tugas sebenar dan mengekalkan identiti teks sahaja serta tanpa pemikiran checkpoint ini.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-coder-next | 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 $0.00024 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00014 / 1K token Input · Penulisan cache — / 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 $0.00024 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00014 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.