Sorotan Qwen3-Next: penaakulan teks kompleks
Qwen3-Next-80B-A3B-Thinking ialah edisi teks pemikiran sahaja Qwen3-Next. Pembuat mengesyorkannya untuk tugas penaakulan yang sangat kompleks dan menyatakan bahawa pemikirannya boleh lebih panjang berbanding pemikiran dalam model terdahulu. Ia menerima teks dan mengembalikan teks, termasuk jawapan yang diterangkan atau cadangan kod. Bezakan ia daripada Qwen3-Next-80B-A3B-Instruct dan Qwen3-Coder-Next, yang mempunyai kontrak tanpa pemikiran berbeza.
Keluarga ini memperkenalkan perhatian hibrid yang menggabungkan Gated DeltaNet dan perhatian berpagar, pakar dengan tahap sparsity yang tinggi, teknik kestabilan seperti penormalan lapisan berpusat sifar dan dengan susutan pemberat, serta ramalan berbilang token. Qwen turut menerangkan penstabilan pembelajaran pengukuhan melalui GSPO. Ini ialah ciri latihan dan seni bina; peningkatan kecekapan bergantung pada pelaksanaan dan tidak seharusnya menjadi dakwaan masa respons sejagat.
Gambaran keseluruhan model
Model ini mempunyai 80 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Ia mempunyai 48 lapisan dalam pola pakar tiga DeltaNet kepada satu perhatian berpagar. Pembuat menyenaraikan 512 pakar, sepuluh pakar yang diaktifkan dan satu pakar dikongsi, dengan pralatihan pada 15 trilion token diikuti pascalatihan. Parameter yang diaktifkan bukan saiz checkpoint lengkap.
Konteks natifnya ialah 262,144 token, dengan peluasan yang didokumentasikan kepada 1,010,000. Teks sumber, mesej sejarah, pemerhatian alat, penaakulan dan output akhir berkongsi had jujukan yang dikonfigurasikan. Bagi pemikiran kompleks, pembuat menasihatkan konteks terkonfigurasi melebihi 131,072 jika boleh, walaupun tetingkap lebih kecil boleh mengurangkan tekanan memori.
Menggunakan antara muka pemikiran sahaja
Templat sembang lalai sudah mengandungi penanda pembuka pemikiran. Oleh itu, jujukan yang dikembalikan boleh mengandungi penanda penutup tanpa mengulangi penanda pembuka. Ini ialah pemformatan biasa bagi kaedah pembuat, bukan bukti bahawa penaakulan tiada. Model hanya menyokong mod pemikiran; permintaan jawapan akhir ringkas tidak menukarnya menjadi edisi tanpa pemikiran.
Bagi masalah matematik atau logik, berikan pernyataan lengkap, takrif, unit dan andaian yang dibenarkan. Minta jawapan akhir yang dipisahkan dengan jelas bersama langkah sokongan yang diperlukan untuk menyemaknya. Bagi penaakulan kod, berikan fungsi, input dan tingkah laku yang dikehendaki yang relevan, kemudian minta cadangan yang diterangkan. Bandingkan pengiraan sokongan atau tampalan yang dicadangkan dengan keadaan yang dibekalkan dan hasil sebenar.
Pelaksanaan dan alat
Contoh pembuat menyokong aliran kerja pembangunan dan alat serta mengesyorkan Qwen-Agent untuk templat panggilan alat dan penghuraian panggilan tersebut, dengan alat yang dikonfigurasikan atau disambungkan melalui MCP. Tentukan alat yang dibenarkan, matlamat tugas dan syarat selesai yang boleh diperhatikan. Aplikasi menjalankan tindakan luaran dan mengembalikan pemerhatian sebenar; model kemudian boleh menggunakan maklum balas itu dalam jawapan berikutnya.
Ramalan berbilang token ialah sebahagian daripada latihan, tetapi penggunaannya dalam inferens bergantung pada pelaksanaan dan tidak tersedia secara umum dalam setiap aliran kerja ringan. Kekalkan perbezaan itu ketika menilai penggunaan. Keupayaan alat atau seni bina sahaja tidak membuktikan akses kepada fail, sumber semasa atau persekitaran pelaksanaan melalui aplikasi lain.
Teks ultra panjang
Peluasan yang didokumentasikan menggunakan YaRN. Pembuat mengesahkan konteks kira-kira sejuta token dan memberikan kaedah faktor empat berdasarkan 262,144 kedudukan natif; bagi beban kerja 524,288 token, ia mencadangkan faktor dua. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, jadi ia seharusnya mengikut keperluan sebenar untuk input lebih panjang.
Susun input besar dengan sempadan dokumen serta pengecam kod atau bahagian. Nyatakan soalan dan artifak yang dijangka supaya model boleh menghubungkan bukti relevan, dan bukannya menganggap seluruh tetingkap sebagai pengganti tugas yang jelas. Peruntukkan ruang untuk penaakulannya yang berpotensi panjang dan hasil akhir.
Panduan penjanaan
Best Practices mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Apabila disokong, penalti kehadiran antara sifar dan dua boleh mengurangkan teks berulang, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit mengurangkan kualiti. Qwen mengesyorkan peruntukan penjanaan 32,768 token bagi kebanyakan soalan dan 81,920 bagi tugas matematik atau pengaturcaraan yang luar biasa kompleks. Ini ialah syor dan bukannya had output keras bebas.
Nyatakan format jawapan akhir secara jelas, seperti hasil matematik yang dipisahkan atau medan jawapan. Pembuat mengesyorkan output akhir tanpa kandungan pemikiran disimpan dalam mesej pembantu terdahulu, mengikut templat checkpoint ini. Pilihan pemeliharaan penaakulan sejarah model kemudian tidak seharusnya diimport secara automatik.
Had substantif
Ini ialah model teks sahaja. Imej, audio atau video memerlukan representasi berasingan yang sesuai sebelum boleh menjadi bukti dalam aliran kerja ini. Pemikiran panjang dan konteks ialah sumber terhad, dan penaakulan terperinci tidak secara bebas membuktikan hasil yang betul. Semak andaian, pengiraan dan kod terjana berdasarkan sumber yang dibekalkan. Hasil yang berguna ialah jawapan atau artifak yang boleh dinilai, dengan bukti yang kekal kelihatan dan identiti pemikiran sahaja dikekalkan.
", "aboutText": "Sorotan Qwen3-Next: penaakulan teks kompleks\n\nQwen3-Next-80B-A3B-Thinking ialah edisi teks pemikiran sahaja Qwen3-Next. Pembuat mengesyorkannya untuk tugas penaakulan yang sangat kompleks dan menyatakan bahawa pemikirannya boleh lebih panjang berbanding pemikiran dalam model terdahulu. Ia menerima teks dan mengembalikan teks, termasuk jawapan yang diterangkan atau cadangan kod. Bezakan ia daripada Qwen3-Next-80B-A3B-Instruct dan Qwen3-Coder-Next, yang mempunyai kontrak tanpa pemikiran berbeza.\n\nKeluarga ini memperkenalkan perhatian hibrid yang menggabungkan Gated DeltaNet dan perhatian berpagar, pakar dengan tahap sparsity yang tinggi, teknik kestabilan seperti penormalan lapisan berpusat sifar dan dengan susutan pemberat, serta ramalan berbilang token. Qwen turut menerangkan penstabilan pembelajaran pengukuhan melalui GSPO. Ini ialah ciri latihan dan seni bina; peningkatan kecekapan bergantung pada pelaksanaan dan tidak seharusnya menjadi dakwaan masa respons sejagat.\n\nGambaran keseluruhan model\n\nModel ini mempunyai 80 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Ia mempunyai 48 lapisan dalam pola pakar tiga DeltaNet kepada satu perhatian berpagar. Pembuat menyenaraikan 512 pakar, sepuluh pakar yang diaktifkan dan satu pakar dikongsi, dengan pralatihan pada 15 trilion token diikuti pascalatihan. Parameter yang diaktifkan bukan saiz checkpoint lengkap.\n\nKonteks natifnya ialah 262,144 token, dengan peluasan yang didokumentasikan kepada 1,010,000. Teks sumber, mesej sejarah, pemerhatian alat, penaakulan dan output akhir berkongsi had jujukan yang dikonfigurasikan. Bagi pemikiran kompleks, pembuat menasihatkan konteks terkonfigurasi melebihi 131,072 jika boleh, walaupun tetingkap lebih kecil boleh mengurangkan tekanan memori.\n\nMenggunakan antara muka pemikiran sahaja\n\nTemplat sembang lalai sudah mengandungi penanda pembuka pemikiran. Oleh itu, jujukan yang dikembalikan boleh mengandungi penanda penutup tanpa mengulangi penanda pembuka. Ini ialah pemformatan biasa bagi kaedah pembuat, bukan bukti bahawa penaakulan tiada. Model hanya menyokong mod pemikiran; permintaan jawapan akhir ringkas tidak menukarnya menjadi edisi tanpa pemikiran.\n\nBagi masalah matematik atau logik, berikan pernyataan lengkap, takrif, unit dan andaian yang dibenarkan. Minta jawapan akhir yang dipisahkan dengan jelas bersama langkah sokongan yang diperlukan untuk menyemaknya. Bagi penaakulan kod, berikan fungsi, input dan tingkah laku yang dikehendaki yang relevan, kemudian minta cadangan yang diterangkan. Bandingkan pengiraan sokongan atau tampalan yang dicadangkan dengan keadaan yang dibekalkan dan hasil sebenar.\n\nPelaksanaan dan alat\n\nContoh pembuat menyokong aliran kerja pembangunan dan alat serta mengesyorkan Qwen-Agent untuk templat panggilan alat dan penghuraian panggilan tersebut, dengan alat yang dikonfigurasikan atau disambungkan melalui MCP. Tentukan alat yang dibenarkan, matlamat tugas dan syarat selesai yang boleh diperhatikan. Aplikasi menjalankan tindakan luaran dan mengembalikan pemerhatian sebenar; model kemudian boleh menggunakan maklum balas itu dalam jawapan berikutnya.\n\nRamalan berbilang token ialah sebahagian daripada latihan, tetapi penggunaannya dalam inferens bergantung pada pelaksanaan dan tidak tersedia secara umum dalam setiap aliran kerja ringan. Kekalkan perbezaan itu ketika menilai penggunaan. Keupayaan alat atau seni bina sahaja tidak membuktikan akses kepada fail, sumber semasa atau persekitaran pelaksanaan melalui aplikasi lain.\n\nTeks ultra panjang\n\nPeluasan yang didokumentasikan menggunakan YaRN. Pembuat mengesahkan konteks kira-kira sejuta token dan memberikan kaedah faktor empat berdasarkan 262,144 kedudukan natif; bagi beban kerja 524,288 token, ia mencadangkan faktor dua. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, jadi ia seharusnya mengikut keperluan sebenar untuk input lebih panjang.\n\nSusun input besar dengan sempadan dokumen serta pengecam kod atau bahagian. Nyatakan soalan dan artifak yang dijangka supaya model boleh menghubungkan bukti relevan, dan bukannya menganggap seluruh tetingkap sebagai pengganti tugas yang jelas. Peruntukkan ruang untuk penaakulannya yang berpotensi panjang dan hasil akhir.\n\nPanduan penjanaan\n\nBest Practices mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Apabila disokong, penalti kehadiran antara sifar dan dua boleh mengurangkan teks berulang, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit mengurangkan kualiti. Qwen mengesyorkan peruntukan penjanaan 32,768 token bagi kebanyakan soalan dan 81,920 bagi tugas matematik atau pengaturcaraan yang luar biasa kompleks. Ini ialah syor dan bukannya had output keras bebas.\n\nNyatakan format jawapan akhir secara jelas, seperti hasil matematik yang dipisahkan atau medan jawapan. Pembuat mengesyorkan output akhir tanpa kandungan pemikiran disimpan dalam mesej pembantu terdahulu, mengikut templat checkpoint ini. Pilihan pemeliharaan penaakulan sejarah model kemudian tidak seharusnya diimport secara automatik.\n\nHad substantif\n\nIni ialah model teks sahaja. Imej, audio atau video memerlukan representasi berasingan yang sesuai sebelum boleh menjadi bukti dalam aliran kerja ini. Pemikiran panjang dan konteks ialah sumber terhad, dan penaakulan terperinci tidak secara bebas membuktikan hasil yang betul. Semak andaian, pengiraan dan kod terjana berdasarkan sumber yang dibekalkan. Hasil yang berguna ialah jawapan atau artifak yang boleh dinilai, dengan bukti yang kekal kelihatan dan identiti pemikiran sahaja dikekalkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking ialah model penaakulan teks Qwen dengan 80 bilion parameter keseluruhan dan 3 bilion parameter yang diaktifkan. Ia menggunakan pemikiran sahaja, perhatian hibrid dan pakar jarang untuk tugas kompleks, dengan konteks natif 262,144 token dan peluasan bersyarat kepada 1,010,000.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3-Next: penaakulan teks kompleks
Qwen3-Next-80B-A3B-Thinking ialah edisi teks pemikiran sahaja Qwen3-Next. Pembuat mengesyorkannya untuk tugas penaakulan yang sangat kompleks dan menyatakan bahawa pemikirannya boleh lebih panjang berbanding pemikiran dalam model terdahulu. Ia menerima teks dan mengembalikan teks, termasuk jawapan yang diterangkan atau cadangan kod. Bezakan ia daripada Qwen3-Next-80B-A3B-Instruct dan Qwen3-Coder-Next, yang mempunyai kontrak tanpa pemikiran berbeza.
Keluarga ini memperkenalkan perhatian hibrid yang menggabungkan Gated DeltaNet dan perhatian berpagar, pakar dengan tahap sparsity yang tinggi, teknik kestabilan seperti penormalan lapisan berpusat sifar dan dengan susutan pemberat, serta ramalan berbilang token. Qwen turut menerangkan penstabilan pembelajaran pengukuhan melalui GSPO. Ini ialah ciri latihan dan seni bina; peningkatan kecekapan bergantung pada pelaksanaan dan tidak seharusnya menjadi dakwaan masa respons sejagat.
Gambaran keseluruhan model
Model ini mempunyai 80 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Ia mempunyai 48 lapisan dalam pola pakar tiga DeltaNet kepada satu perhatian berpagar. Pembuat menyenaraikan 512 pakar, sepuluh pakar yang diaktifkan dan satu pakar dikongsi, dengan pralatihan pada 15 trilion token diikuti pascalatihan. Parameter yang diaktifkan bukan saiz checkpoint lengkap.
Konteks natifnya ialah 262,144 token, dengan peluasan yang didokumentasikan kepada 1,010,000. Teks sumber, mesej sejarah, pemerhatian alat, penaakulan dan output akhir berkongsi had jujukan yang dikonfigurasikan. Bagi pemikiran kompleks, pembuat menasihatkan konteks terkonfigurasi melebihi 131,072 jika boleh, walaupun tetingkap lebih kecil boleh mengurangkan tekanan memori.
Menggunakan antara muka pemikiran sahaja
Templat sembang lalai sudah mengandungi penanda pembuka pemikiran. Oleh itu, jujukan yang dikembalikan boleh mengandungi penanda penutup tanpa mengulangi penanda pembuka. Ini ialah pemformatan biasa bagi kaedah pembuat, bukan bukti bahawa penaakulan tiada. Model hanya menyokong mod pemikiran; permintaan jawapan akhir ringkas tidak menukarnya menjadi edisi tanpa pemikiran.
Bagi masalah matematik atau logik, berikan pernyataan lengkap, takrif, unit dan andaian yang dibenarkan. Minta jawapan akhir yang dipisahkan dengan jelas bersama langkah sokongan yang diperlukan untuk menyemaknya. Bagi penaakulan kod, berikan fungsi, input dan tingkah laku yang dikehendaki yang relevan, kemudian minta cadangan yang diterangkan. Bandingkan pengiraan sokongan atau tampalan yang dicadangkan dengan keadaan yang dibekalkan dan hasil sebenar.
Pelaksanaan dan alat
Contoh pembuat menyokong aliran kerja pembangunan dan alat serta mengesyorkan Qwen-Agent untuk templat panggilan alat dan penghuraian panggilan tersebut, dengan alat yang dikonfigurasikan atau disambungkan melalui MCP. Tentukan alat yang dibenarkan, matlamat tugas dan syarat selesai yang boleh diperhatikan. Aplikasi menjalankan tindakan luaran dan mengembalikan pemerhatian sebenar; model kemudian boleh menggunakan maklum balas itu dalam jawapan berikutnya.
Ramalan berbilang token ialah sebahagian daripada latihan, tetapi penggunaannya dalam inferens bergantung pada pelaksanaan dan tidak tersedia secara umum dalam setiap aliran kerja ringan. Kekalkan perbezaan itu ketika menilai penggunaan. Keupayaan alat atau seni bina sahaja tidak membuktikan akses kepada fail, sumber semasa atau persekitaran pelaksanaan melalui aplikasi lain.
Teks ultra panjang
Peluasan yang didokumentasikan menggunakan YaRN. Pembuat mengesahkan konteks kira-kira sejuta token dan memberikan kaedah faktor empat berdasarkan 262,144 kedudukan natif; bagi beban kerja 524,288 token, ia mencadangkan faktor dua. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, jadi ia seharusnya mengikut keperluan sebenar untuk input lebih panjang.
Susun input besar dengan sempadan dokumen serta pengecam kod atau bahagian. Nyatakan soalan dan artifak yang dijangka supaya model boleh menghubungkan bukti relevan, dan bukannya menganggap seluruh tetingkap sebagai pengganti tugas yang jelas. Peruntukkan ruang untuk penaakulannya yang berpotensi panjang dan hasil akhir.
Panduan penjanaan
Best Practices mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Apabila disokong, penalti kehadiran antara sifar dan dua boleh mengurangkan teks berulang, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit mengurangkan kualiti. Qwen mengesyorkan peruntukan penjanaan 32,768 token bagi kebanyakan soalan dan 81,920 bagi tugas matematik atau pengaturcaraan yang luar biasa kompleks. Ini ialah syor dan bukannya had output keras bebas.
Nyatakan format jawapan akhir secara jelas, seperti hasil matematik yang dipisahkan atau medan jawapan. Pembuat mengesyorkan output akhir tanpa kandungan pemikiran disimpan dalam mesej pembantu terdahulu, mengikut templat checkpoint ini. Pilihan pemeliharaan penaakulan sejarah model kemudian tidak seharusnya diimport secara automatik.
Had substantif
Ini ialah model teks sahaja. Imej, audio atau video memerlukan representasi berasingan yang sesuai sebelum boleh menjadi bukti dalam aliran kerja ini. Pemikiran panjang dan konteks ialah sumber terhad, dan penaakulan terperinci tidak secara bebas membuktikan hasil yang betul. Semak andaian, pengiraan dan kod terjana berdasarkan sumber yang dibekalkan. Hasil yang berguna ialah jawapan atau artifak yang boleh dinilai, dengan bukti yang kekal kelihatan dan identiti pemikiran sahaja dikekalkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K token Output · Token output $0.0024 / 1K token Input · Bacaan cache — / 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 $0.0003 / 1K token Output · Token output $0.0024 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-next-80b-a3b-thinking',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-next-80b-a3b-thinking',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-next-80b-a3b-thinking
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking ialah model penaakulan teks Qwen dengan 80 bilion parameter keseluruhan dan 3 bilion parameter yang diaktifkan. Ia menggunakan pemikiran sahaja, perhatian hibrid dan pakar jarang untuk tugas kompleks, dengan konteks natif 262,144 token dan peluasan bersyarat kepada 1,010,000.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3-Next: penaakulan teks kompleks
Qwen3-Next-80B-A3B-Thinking ialah edisi teks pemikiran sahaja Qwen3-Next. Pembuat mengesyorkannya untuk tugas penaakulan yang sangat kompleks dan menyatakan bahawa pemikirannya boleh lebih panjang berbanding pemikiran dalam model terdahulu. Ia menerima teks dan mengembalikan teks, termasuk jawapan yang diterangkan atau cadangan kod. Bezakan ia daripada Qwen3-Next-80B-A3B-Instruct dan Qwen3-Coder-Next, yang mempunyai kontrak tanpa pemikiran berbeza.
Keluarga ini memperkenalkan perhatian hibrid yang menggabungkan Gated DeltaNet dan perhatian berpagar, pakar dengan tahap sparsity yang tinggi, teknik kestabilan seperti penormalan lapisan berpusat sifar dan dengan susutan pemberat, serta ramalan berbilang token. Qwen turut menerangkan penstabilan pembelajaran pengukuhan melalui GSPO. Ini ialah ciri latihan dan seni bina; peningkatan kecekapan bergantung pada pelaksanaan dan tidak seharusnya menjadi dakwaan masa respons sejagat.
Gambaran keseluruhan model
Model ini mempunyai 80 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Ia mempunyai 48 lapisan dalam pola pakar tiga DeltaNet kepada satu perhatian berpagar. Pembuat menyenaraikan 512 pakar, sepuluh pakar yang diaktifkan dan satu pakar dikongsi, dengan pralatihan pada 15 trilion token diikuti pascalatihan. Parameter yang diaktifkan bukan saiz checkpoint lengkap.
Konteks natifnya ialah 262,144 token, dengan peluasan yang didokumentasikan kepada 1,010,000. Teks sumber, mesej sejarah, pemerhatian alat, penaakulan dan output akhir berkongsi had jujukan yang dikonfigurasikan. Bagi pemikiran kompleks, pembuat menasihatkan konteks terkonfigurasi melebihi 131,072 jika boleh, walaupun tetingkap lebih kecil boleh mengurangkan tekanan memori.
Menggunakan antara muka pemikiran sahaja
Templat sembang lalai sudah mengandungi penanda pembuka pemikiran. Oleh itu, jujukan yang dikembalikan boleh mengandungi penanda penutup tanpa mengulangi penanda pembuka. Ini ialah pemformatan biasa bagi kaedah pembuat, bukan bukti bahawa penaakulan tiada. Model hanya menyokong mod pemikiran; permintaan jawapan akhir ringkas tidak menukarnya menjadi edisi tanpa pemikiran.
Bagi masalah matematik atau logik, berikan pernyataan lengkap, takrif, unit dan andaian yang dibenarkan. Minta jawapan akhir yang dipisahkan dengan jelas bersama langkah sokongan yang diperlukan untuk menyemaknya. Bagi penaakulan kod, berikan fungsi, input dan tingkah laku yang dikehendaki yang relevan, kemudian minta cadangan yang diterangkan. Bandingkan pengiraan sokongan atau tampalan yang dicadangkan dengan keadaan yang dibekalkan dan hasil sebenar.
Pelaksanaan dan alat
Contoh pembuat menyokong aliran kerja pembangunan dan alat serta mengesyorkan Qwen-Agent untuk templat panggilan alat dan penghuraian panggilan tersebut, dengan alat yang dikonfigurasikan atau disambungkan melalui MCP. Tentukan alat yang dibenarkan, matlamat tugas dan syarat selesai yang boleh diperhatikan. Aplikasi menjalankan tindakan luaran dan mengembalikan pemerhatian sebenar; model kemudian boleh menggunakan maklum balas itu dalam jawapan berikutnya.
Ramalan berbilang token ialah sebahagian daripada latihan, tetapi penggunaannya dalam inferens bergantung pada pelaksanaan dan tidak tersedia secara umum dalam setiap aliran kerja ringan. Kekalkan perbezaan itu ketika menilai penggunaan. Keupayaan alat atau seni bina sahaja tidak membuktikan akses kepada fail, sumber semasa atau persekitaran pelaksanaan melalui aplikasi lain.
Teks ultra panjang
Peluasan yang didokumentasikan menggunakan YaRN. Pembuat mengesahkan konteks kira-kira sejuta token dan memberikan kaedah faktor empat berdasarkan 262,144 kedudukan natif; bagi beban kerja 524,288 token, ia mencadangkan faktor dua. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, jadi ia seharusnya mengikut keperluan sebenar untuk input lebih panjang.
Susun input besar dengan sempadan dokumen serta pengecam kod atau bahagian. Nyatakan soalan dan artifak yang dijangka supaya model boleh menghubungkan bukti relevan, dan bukannya menganggap seluruh tetingkap sebagai pengganti tugas yang jelas. Peruntukkan ruang untuk penaakulannya yang berpotensi panjang dan hasil akhir.
Panduan penjanaan
Best Practices mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Apabila disokong, penalti kehadiran antara sifar dan dua boleh mengurangkan teks berulang, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit mengurangkan kualiti. Qwen mengesyorkan peruntukan penjanaan 32,768 token bagi kebanyakan soalan dan 81,920 bagi tugas matematik atau pengaturcaraan yang luar biasa kompleks. Ini ialah syor dan bukannya had output keras bebas.
Nyatakan format jawapan akhir secara jelas, seperti hasil matematik yang dipisahkan atau medan jawapan. Pembuat mengesyorkan output akhir tanpa kandungan pemikiran disimpan dalam mesej pembantu terdahulu, mengikut templat checkpoint ini. Pilihan pemeliharaan penaakulan sejarah model kemudian tidak seharusnya diimport secara automatik.
Had substantif
Ini ialah model teks sahaja. Imej, audio atau video memerlukan representasi berasingan yang sesuai sebelum boleh menjadi bukti dalam aliran kerja ini. Pemikiran panjang dan konteks ialah sumber terhad, dan penaakulan terperinci tidak secara bebas membuktikan hasil yang betul. Semak andaian, pengiraan dan kod terjana berdasarkan sumber yang dibekalkan. Hasil yang berguna ialah jawapan atau artifak yang boleh dinilai, dengan bukti yang kekal kelihatan dan identiti pemikiran sahaja dikekalkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K token Output · Token output $0.0024 / 1K token Input · Bacaan cache — / 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 $0.0003 / 1K token Output · Token output $0.0024 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-thinking', '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-next-80b-a3b-thinking', '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-next-80b-a3b-thinking
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.