Qwen3-0.6B menyediakan antara muka teks hibrid Qwen3 dalam model padat dengan 0.6 bilion parameter. Keupayaan keluarganya merangkumi pematuhan arahan, perbualan berbilang bahasa, penulisan kreatif, interaksi berasaskan peranan, matematik, kod dan penaakulan logik. Pemikiran dan penjanaan biasa tersedia dalam keluaran yang sama ini. Saiz kecilnya mengenal pasti checkpoint, bukannya format input berbeza atau nama pengganti untuk model Qwen3 yang lebih besar.
Model ini mempunyai 0.44 bilion parameter bukan embedding dan 28 lapisan, dengan 16 kepala pertanyaan dan lapan kepala kunci/nilai dalam perhatian pertanyaan berkumpulan. Kad tepatnya mendokumenkan 32,768 token konteks. Teks masuk dan kandungan yang dijana sama-sama menggunakan urutan model, maka sediakan ruang jawapan apabila menyusun arahan dan contoh. Kad keluaran ini tidak mendokumenkan persediaan konteks diperluas yang terdapat pada sesetengah kad Qwen3 lebih besar. Tugas pertama yang praktikal ialah satu operasi pendek yang jelas dan outputnya boleh dibandingkan terus dengan sumber.
Gunakan templat sembang yang ditetapkan pengeluar untuk membentangkan arahan dan bahan. Sebagai contoh, berikan nota perkhidmatan ringkas dan minta mesej untuk pelanggan yang mengekalkan tarikh janji temu serta nama produk. Bekalkan pembaca sasaran, nada dan panjang maksimum yang diminta. Untuk tugas pemilihan label, senaraikan label yang dibenarkan bersama definisi dan sertakan contoh kabur yang menunjukkan cara melaporkan ketidakpastian. Minta hanya label dan petikan yang sepadan daripada input. Ini ialah keperluan output yang konkrit, bukannya dakwaan bahawa model akan sentiasa memenuhinya tanpa pemeriksaan. Penyepaduan yang diterbitkan memerlukan runtime yang mengenali Qwen3; kad ini memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Templat yang disediakan menggunakan mod berfikir secara lalai. Tetapan tanpa berfikir pada peringkat konfigurasi menyekat bahagian penaakulan; jika pemikiran kekal didayakan, /think dan /no_think boleh mengawal mod antara giliran, tertakluk pada arahan terkini. Penyahdayaan sepenuhnya diberi keutamaan berbanding arahan per giliran ini. Pilih tetapan yang sesuai dengan operasi: perubahan mudah pada ungkapan yang diluluskan boleh menggunakan respons terus, manakala penjelasan sebab sesuatu syarat terpakai mungkin memerlukan penaakulan. Simpan jawapan akhir sebagai sejarah perbualan dan bukannya bahagian penaakulan terdahulu. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Kad model menerangkan penggunaan ejen berorientasikan alat dan mengesyorkan Qwen-Agent untuk templat serta penghuraian. Untuk pembantu glosari kecil, aplikasi boleh menyediakan satu carian baca sahaja, mengesahkan argumennya, melaksanakannya dan mengembalikan entri. Model kemudian boleh menerangkan istilah dalam gaya yang diminta pengguna. Tentukan hasil alat dan tindakan sandaran untuk entri yang tiada terlebih dahulu. Permintaan alat yang dijana perlu dikendalikan sebagai permintaan, dengan aplikasi terus bertanggungjawab atas pelaksanaan dan bukti yang dikembalikan. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Panjang output dalam panduan mula pantas dan amalan terbaik yang diterbitkan ialah panduan penjanaan, bukannya had API terjamin yang berasingan. Untuk operasi tertumpu, pilih rekod akhir yang padat, seperti ayat ditulis semula bersama nama yang dikekalkan, atau label dan teks yang menyokongnya. Periksa rekod itu berdasarkan bahan yang dibekalkan. Jika tugas berkembang menjadi penjelasan panjang, nilai hasil lebih panjang pada jenis input sebenar yang sama, bukannya menganggap identiti kecil model membuktikan ketepatan atau kualiti responsnya. Dokumentasi Qwen3 membincangkan panjang mesej pembantu sebanyak 38,912 token dalam mod berfikir dan 16,384 dalam mod tanpa berfikir dalam penjelasan panjang latihannya, serta mengesyorkan penilaian kualiti penjanaan yang lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had mutlak khusus titik akhir.
Kad tepat ini menambah nasihat untuk pengulangan ketara: gunakan persediaan pensampelan yang disyorkan dan pertimbangkan presence_penalty 1.5. Penalti lebih kuat mungkin menyebabkan percampuran bahasa atau penurunan prestasi. Mod berfikir dipadankan dengan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod tanpa berfikir dengan temperature 0.7, top-p 0.8, top-k 20 dan min-p 0. Pengeluar memberi amaran supaya tidak menggunakan penyahkodan greedy dalam mod berfikir. Periksa frasa berulang, nama yang dikekalkan dan label yang dipilih; tolak rekod yang rosak formatnya, bukannya menganggap prosa yang boleh dibaca sebagai bukti bahawa format yang diperlukan telah dipatuhi.
", "aboutText": "Qwen3-0.6B menyediakan antara muka teks hibrid Qwen3 dalam model padat dengan 0.6 bilion parameter. Keupayaan keluarganya merangkumi pematuhan arahan, perbualan berbilang bahasa, penulisan kreatif, interaksi berasaskan peranan, matematik, kod dan penaakulan logik. Pemikiran dan penjanaan biasa tersedia dalam keluaran yang sama ini. Saiz kecilnya mengenal pasti checkpoint, bukannya format input berbeza atau nama pengganti untuk model Qwen3 yang lebih besar.\n\nModel ini mempunyai 0.44 bilion parameter bukan embedding dan 28 lapisan, dengan 16 kepala pertanyaan dan lapan kepala kunci/nilai dalam perhatian pertanyaan berkumpulan. Kad tepatnya mendokumenkan 32,768 token konteks. Teks masuk dan kandungan yang dijana sama-sama menggunakan urutan model, maka sediakan ruang jawapan apabila menyusun arahan dan contoh. Kad keluaran ini tidak mendokumenkan persediaan konteks diperluas yang terdapat pada sesetengah kad Qwen3 lebih besar. Tugas pertama yang praktikal ialah satu operasi pendek yang jelas dan outputnya boleh dibandingkan terus dengan sumber.\n\nGunakan templat sembang yang ditetapkan pengeluar untuk membentangkan arahan dan bahan. Sebagai contoh, berikan nota perkhidmatan ringkas dan minta mesej untuk pelanggan yang mengekalkan tarikh janji temu serta nama produk. Bekalkan pembaca sasaran, nada dan panjang maksimum yang diminta. Untuk tugas pemilihan label, senaraikan label yang dibenarkan bersama definisi dan sertakan contoh kabur yang menunjukkan cara melaporkan ketidakpastian. Minta hanya label dan petikan yang sepadan daripada input. Ini ialah keperluan output yang konkrit, bukannya dakwaan bahawa model akan sentiasa memenuhinya tanpa pemeriksaan. Penyepaduan yang diterbitkan memerlukan runtime yang mengenali Qwen3; kad ini memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.\n\nTemplat yang disediakan menggunakan mod berfikir secara lalai. Tetapan tanpa berfikir pada peringkat konfigurasi menyekat bahagian penaakulan; jika pemikiran kekal didayakan, /think dan /no_think boleh mengawal mod antara giliran, tertakluk pada arahan terkini. Penyahdayaan sepenuhnya diberi keutamaan berbanding arahan per giliran ini. Pilih tetapan yang sesuai dengan operasi: perubahan mudah pada ungkapan yang diluluskan boleh menggunakan respons terus, manakala penjelasan sebab sesuatu syarat terpakai mungkin memerlukan penaakulan. Simpan jawapan akhir sebagai sejarah perbualan dan bukannya bahagian penaakulan terdahulu. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.\n\nKad model menerangkan penggunaan ejen berorientasikan alat dan mengesyorkan Qwen-Agent untuk templat serta penghuraian. Untuk pembantu glosari kecil, aplikasi boleh menyediakan satu carian baca sahaja, mengesahkan argumennya, melaksanakannya dan mengembalikan entri. Model kemudian boleh menerangkan istilah dalam gaya yang diminta pengguna. Tentukan hasil alat dan tindakan sandaran untuk entri yang tiada terlebih dahulu. Permintaan alat yang dijana perlu dikendalikan sebagai permintaan, dengan aplikasi terus bertanggungjawab atas pelaksanaan dan bukti yang dikembalikan. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.\n\nPanjang output dalam panduan mula pantas dan amalan terbaik yang diterbitkan ialah panduan penjanaan, bukannya had API terjamin yang berasingan. Untuk operasi tertumpu, pilih rekod akhir yang padat, seperti ayat ditulis semula bersama nama yang dikekalkan, atau label dan teks yang menyokongnya. Periksa rekod itu berdasarkan bahan yang dibekalkan. Jika tugas berkembang menjadi penjelasan panjang, nilai hasil lebih panjang pada jenis input sebenar yang sama, bukannya menganggap identiti kecil model membuktikan ketepatan atau kualiti responsnya. Dokumentasi Qwen3 membincangkan panjang mesej pembantu sebanyak 38,912 token dalam mod berfikir dan 16,384 dalam mod tanpa berfikir dalam penjelasan panjang latihannya, serta mengesyorkan penilaian kualiti penjanaan yang lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had mutlak khusus titik akhir.\n\nKad tepat ini menambah nasihat untuk pengulangan ketara: gunakan persediaan pensampelan yang disyorkan dan pertimbangkan presence_penalty 1.5. Penalti lebih kuat mungkin menyebabkan percampuran bahasa atau penurunan prestasi. Mod berfikir dipadankan dengan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod tanpa berfikir dengan temperature 0.7, top-p 0.8, top-k 20 dan min-p 0. Pengeluar memberi amaran supaya tidak menggunakan penyahkodan greedy dalam mod berfikir. Periksa frasa berulang, nama yang dikekalkan dan label yang dipilih; tolak rekod yang rosak formatnya, bukannya menganggap prosa yang boleh dibaca sebagai bukti bahawa format yang diperlukan telah dipatuhi.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B ialah keluaran padat terkecil dalam set Qwen3 ini, dengan 0.6 bilion parameter. Ia mengendalikan arahan teks dan dialog berbilang bahasa melalui mod terus dan berfikir, dengan konteks 32,768 token khusus edisi.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-0.6B menyediakan antara muka teks hibrid Qwen3 dalam model padat dengan 0.6 bilion parameter. Keupayaan keluarganya merangkumi pematuhan arahan, perbualan berbilang bahasa, penulisan kreatif, interaksi berasaskan peranan, matematik, kod dan penaakulan logik. Pemikiran dan penjanaan biasa tersedia dalam keluaran yang sama ini. Saiz kecilnya mengenal pasti checkpoint, bukannya format input berbeza atau nama pengganti untuk model Qwen3 yang lebih besar.
Model ini mempunyai 0.44 bilion parameter bukan embedding dan 28 lapisan, dengan 16 kepala pertanyaan dan lapan kepala kunci/nilai dalam perhatian pertanyaan berkumpulan. Kad tepatnya mendokumenkan 32,768 token konteks. Teks masuk dan kandungan yang dijana sama-sama menggunakan urutan model, maka sediakan ruang jawapan apabila menyusun arahan dan contoh. Kad keluaran ini tidak mendokumenkan persediaan konteks diperluas yang terdapat pada sesetengah kad Qwen3 lebih besar. Tugas pertama yang praktikal ialah satu operasi pendek yang jelas dan outputnya boleh dibandingkan terus dengan sumber.
Gunakan templat sembang yang ditetapkan pengeluar untuk membentangkan arahan dan bahan. Sebagai contoh, berikan nota perkhidmatan ringkas dan minta mesej untuk pelanggan yang mengekalkan tarikh janji temu serta nama produk. Bekalkan pembaca sasaran, nada dan panjang maksimum yang diminta. Untuk tugas pemilihan label, senaraikan label yang dibenarkan bersama definisi dan sertakan contoh kabur yang menunjukkan cara melaporkan ketidakpastian. Minta hanya label dan petikan yang sepadan daripada input. Ini ialah keperluan output yang konkrit, bukannya dakwaan bahawa model akan sentiasa memenuhinya tanpa pemeriksaan. Penyepaduan yang diterbitkan memerlukan runtime yang mengenali Qwen3; kad ini memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Templat yang disediakan menggunakan mod berfikir secara lalai. Tetapan tanpa berfikir pada peringkat konfigurasi menyekat bahagian penaakulan; jika pemikiran kekal didayakan, /think dan /no_think boleh mengawal mod antara giliran, tertakluk pada arahan terkini. Penyahdayaan sepenuhnya diberi keutamaan berbanding arahan per giliran ini. Pilih tetapan yang sesuai dengan operasi: perubahan mudah pada ungkapan yang diluluskan boleh menggunakan respons terus, manakala penjelasan sebab sesuatu syarat terpakai mungkin memerlukan penaakulan. Simpan jawapan akhir sebagai sejarah perbualan dan bukannya bahagian penaakulan terdahulu. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Kad model menerangkan penggunaan ejen berorientasikan alat dan mengesyorkan Qwen-Agent untuk templat serta penghuraian. Untuk pembantu glosari kecil, aplikasi boleh menyediakan satu carian baca sahaja, mengesahkan argumennya, melaksanakannya dan mengembalikan entri. Model kemudian boleh menerangkan istilah dalam gaya yang diminta pengguna. Tentukan hasil alat dan tindakan sandaran untuk entri yang tiada terlebih dahulu. Permintaan alat yang dijana perlu dikendalikan sebagai permintaan, dengan aplikasi terus bertanggungjawab atas pelaksanaan dan bukti yang dikembalikan. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Panjang output dalam panduan mula pantas dan amalan terbaik yang diterbitkan ialah panduan penjanaan, bukannya had API terjamin yang berasingan. Untuk operasi tertumpu, pilih rekod akhir yang padat, seperti ayat ditulis semula bersama nama yang dikekalkan, atau label dan teks yang menyokongnya. Periksa rekod itu berdasarkan bahan yang dibekalkan. Jika tugas berkembang menjadi penjelasan panjang, nilai hasil lebih panjang pada jenis input sebenar yang sama, bukannya menganggap identiti kecil model membuktikan ketepatan atau kualiti responsnya. Dokumentasi Qwen3 membincangkan panjang mesej pembantu sebanyak 38,912 token dalam mod berfikir dan 16,384 dalam mod tanpa berfikir dalam penjelasan panjang latihannya, serta mengesyorkan penilaian kualiti penjanaan yang lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had mutlak khusus titik akhir.
Kad tepat ini menambah nasihat untuk pengulangan ketara: gunakan persediaan pensampelan yang disyorkan dan pertimbangkan presence_penalty 1.5. Penalti lebih kuat mungkin menyebabkan percampuran bahasa atau penurunan prestasi. Mod berfikir dipadankan dengan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod tanpa berfikir dengan temperature 0.7, top-p 0.8, top-k 20 dan min-p 0. Pengeluar memberi amaran supaya tidak menggunakan penyahkodan greedy dalam mod berfikir. Periksa frasa berulang, nama yang dikekalkan dan label yang dipilih; tolak rekod yang rosak formatnya, bukannya menganggap prosa yang boleh dibaca sebagai bukti bahawa format yang diperlukan telah dipatuhi.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-0.6b | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0.001 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-0.6b", "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='qwen3-0.6b',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='qwen3-0.6b',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 qwen3-0.6b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen3-0.6bQwen3-0.6B ialah keluaran padat terkecil dalam set Qwen3 ini, dengan 0.6 bilion parameter. Ia mengendalikan arahan teks dan dialog berbilang bahasa melalui mod terus dan berfikir, dengan konteks 32,768 token khusus edisi.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-0.6B menyediakan antara muka teks hibrid Qwen3 dalam model padat dengan 0.6 bilion parameter. Keupayaan keluarganya merangkumi pematuhan arahan, perbualan berbilang bahasa, penulisan kreatif, interaksi berasaskan peranan, matematik, kod dan penaakulan logik. Pemikiran dan penjanaan biasa tersedia dalam keluaran yang sama ini. Saiz kecilnya mengenal pasti checkpoint, bukannya format input berbeza atau nama pengganti untuk model Qwen3 yang lebih besar.
Model ini mempunyai 0.44 bilion parameter bukan embedding dan 28 lapisan, dengan 16 kepala pertanyaan dan lapan kepala kunci/nilai dalam perhatian pertanyaan berkumpulan. Kad tepatnya mendokumenkan 32,768 token konteks. Teks masuk dan kandungan yang dijana sama-sama menggunakan urutan model, maka sediakan ruang jawapan apabila menyusun arahan dan contoh. Kad keluaran ini tidak mendokumenkan persediaan konteks diperluas yang terdapat pada sesetengah kad Qwen3 lebih besar. Tugas pertama yang praktikal ialah satu operasi pendek yang jelas dan outputnya boleh dibandingkan terus dengan sumber.
Gunakan templat sembang yang ditetapkan pengeluar untuk membentangkan arahan dan bahan. Sebagai contoh, berikan nota perkhidmatan ringkas dan minta mesej untuk pelanggan yang mengekalkan tarikh janji temu serta nama produk. Bekalkan pembaca sasaran, nada dan panjang maksimum yang diminta. Untuk tugas pemilihan label, senaraikan label yang dibenarkan bersama definisi dan sertakan contoh kabur yang menunjukkan cara melaporkan ketidakpastian. Minta hanya label dan petikan yang sepadan daripada input. Ini ialah keperluan output yang konkrit, bukannya dakwaan bahawa model akan sentiasa memenuhinya tanpa pemeriksaan. Penyepaduan yang diterbitkan memerlukan runtime yang mengenali Qwen3; kad ini memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Templat yang disediakan menggunakan mod berfikir secara lalai. Tetapan tanpa berfikir pada peringkat konfigurasi menyekat bahagian penaakulan; jika pemikiran kekal didayakan, /think dan /no_think boleh mengawal mod antara giliran, tertakluk pada arahan terkini. Penyahdayaan sepenuhnya diberi keutamaan berbanding arahan per giliran ini. Pilih tetapan yang sesuai dengan operasi: perubahan mudah pada ungkapan yang diluluskan boleh menggunakan respons terus, manakala penjelasan sebab sesuatu syarat terpakai mungkin memerlukan penaakulan. Simpan jawapan akhir sebagai sejarah perbualan dan bukannya bahagian penaakulan terdahulu. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Kad model menerangkan penggunaan ejen berorientasikan alat dan mengesyorkan Qwen-Agent untuk templat serta penghuraian. Untuk pembantu glosari kecil, aplikasi boleh menyediakan satu carian baca sahaja, mengesahkan argumennya, melaksanakannya dan mengembalikan entri. Model kemudian boleh menerangkan istilah dalam gaya yang diminta pengguna. Tentukan hasil alat dan tindakan sandaran untuk entri yang tiada terlebih dahulu. Permintaan alat yang dijana perlu dikendalikan sebagai permintaan, dengan aplikasi terus bertanggungjawab atas pelaksanaan dan bukti yang dikembalikan. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Panjang output dalam panduan mula pantas dan amalan terbaik yang diterbitkan ialah panduan penjanaan, bukannya had API terjamin yang berasingan. Untuk operasi tertumpu, pilih rekod akhir yang padat, seperti ayat ditulis semula bersama nama yang dikekalkan, atau label dan teks yang menyokongnya. Periksa rekod itu berdasarkan bahan yang dibekalkan. Jika tugas berkembang menjadi penjelasan panjang, nilai hasil lebih panjang pada jenis input sebenar yang sama, bukannya menganggap identiti kecil model membuktikan ketepatan atau kualiti responsnya. Dokumentasi Qwen3 membincangkan panjang mesej pembantu sebanyak 38,912 token dalam mod berfikir dan 16,384 dalam mod tanpa berfikir dalam penjelasan panjang latihannya, serta mengesyorkan penilaian kualiti penjanaan yang lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had mutlak khusus titik akhir.
Kad tepat ini menambah nasihat untuk pengulangan ketara: gunakan persediaan pensampelan yang disyorkan dan pertimbangkan presence_penalty 1.5. Penalti lebih kuat mungkin menyebabkan percampuran bahasa atau penurunan prestasi. Mod berfikir dipadankan dengan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod tanpa berfikir dengan temperature 0.7, top-p 0.8, top-k 20 dan min-p 0. Pengeluar memberi amaran supaya tidak menggunakan penyahkodan greedy dalam mod berfikir. Periksa frasa berulang, nama yang dikekalkan dan label yang dipilih; tolak rekod yang rosak formatnya, bukannya menganggap prosa yang boleh dibaca sebagai bukti bahawa format yang diperlukan telah dipatuhi.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-0.6b | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0.001 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-0.6b', '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': 'qwen3-0.6b', '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 qwen3-0.6b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.