Qwen3-1.7B menggabungkan jawapan terus dan penaakulan dalam model bahasa padat yang kecil. Pengeluar menerangkan pematuhan arahan, penulisan kreatif, perbualan berasaskan peranan, matematik, masalah logik dan kod, dengan lebih daripada 100 bahasa dan dialek yang disokong. Ia menerima teks dan menghasilkan teks. Tugas permulaan yang berguna ialah transformasi dengan spesifikasi ketat: menukar mesej pelanggan pendek kepada balasan sopan, menerangkan istilah untuk pembaca tertentu atau menukar nota mesyuarat kepada senarai tindakan.
Keluaran tepat ini mempunyai 1.7 bilion parameter, termasuk 1.4 bilion di luar embedding, dan 28 lapisan. Perhatian pertanyaan berkumpulan menggunakan 16 kepala pertanyaan dan lapan kepala kunci/nilai. Kad modelnya sendiri menyenaraikan panjang konteks 32,768 token. Itulah tetingkap edisi yang didokumenkan; angka konteks lebih besar daripada saiz Qwen3 lain perlu kekal dikaitkan dengan kad berasingan tersebut. Pastikan teks sumber, arahan, sejarah perbualan dan jawapan yang diminta berada dalam bajet urutan yang berkaitan. Untuk pembantu balasan, bekalkan mesej diterima, fakta latar yang disahkan, khalayak dan panjang yang dikehendaki, bukannya seluruh arkib surat-menyurat yang tidak berkaitan.
Panduan mula pantas pengeluar memformat perbualan dengan templat sembang model. Sediakan tugas kecil yang lengkap dan boleh diperiksa berdasarkan sumbernya. Untuk contoh senarai tindakan, berikan nota yang mengandungi nama, tarikh dan keputusan, minta satu item bagi setiap tindakan serta wajibkan nilai tidak diketahui secara eksplisit jika pemilik tidak dinyatakan. Untuk contoh pengaturcaraan, berikan satu fungsi dan input yang mewakili penggunaan, kemudian minta model menerangkan cabang yang menentukan hasil. Penjelasan yang dikembalikan sepatutnya merujuk pemboleh ubah serta syarat sebenar, bukannya memperkenalkan tingkah laku hipotetikal. 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.
Pemikiran didayakan secara lalai dalam templat yang dibekalkan. Suis pada peringkat konfigurasi memilih output tanpa berfikir yang tidak mengandungi bahagian penaakulan. Apabila pemikiran kekal didayakan, /think dan /no_think bertindak sebagai arahan setiap giliran, dengan arahan terkini mengawal pilihan; kedua-duanya tidak boleh mengatasi mod yang dinyahdayakan sepenuhnya. Gunakan tetapan terus untuk penulisan semula pendek dan tetapan penaakulan apabila jawapan perlu menyelaraskan beberapa syarat. Asingkan penaakulan perantaraan daripada respons akhir dan simpan respons akhir dalam sejarah dialog kemudian. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Penggunaan ejen merupakan sebahagian daripada set keupayaan yang diterbitkan. Pengeluar mengesyorkan Qwen-Agent untuk pemformatan dan penghuraian alat, manakala aplikasi menyediakan serta melaksanakan alat tersebut. Pembantu terhad boleh meminta carian kamus bagi istilah produk, menerima definisi yang disahkan, kemudian menulis semula ayat pengguna. Tentukan argumen yang dibenarkan dan medan yang dikembalikan; periksa kedua-duanya sebelum menggunakan hasil. Teks akhir sepatutnya membezakan fakta yang dibekalkan, maklumat yang dikembalikan dan soalan yang masih belum terjawab. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Bajet output perlu sesuai dengan keseluruhan tugas. Kad model menyediakan contoh penjanaan dan cadangan panjang output; perkara ini berbeza daripada maksimum pada bahagian perkhidmatan yang telah dibuktikan. Output pendek yang diminta mudah disahkan: tentukan medan, susunan dan bahasa, serta simpan mesej asal untuk perbandingan. Nilai hasil pada kelas input sebenar sebelum bergantung pada penjanaan bentuk panjang. 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.
Saiz ini mempunyai nota khusus tentang pengulangan berterusan: kad mencadangkan tetapan pensampelan yang disyorkan dan presence_penalty 1.5 apabila pengulangan ketara berlaku. Penalti lebih tinggi kadangkala boleh mencampurkan bahasa atau mengurangkan prestasi. Untuk mod berfikir, temperature yang dicadangkan ialah 0.6 dengan top-p 0.95, top-k 20 dan min-p 0; untuk mod tanpa berfikir, temperature ialah 0.7 dengan top-p 0.8, top-k 20 dan min-p 0. Elakkan penyahkodan greedy dalam mod penaakulan. Periksa nama, tarikh, label dan klausa berulang, serta sahkan sebarang output berstruktur sebelum menyerahkannya kepada bahagian aplikasi yang lain.
", "aboutText": "Qwen3-1.7B menggabungkan jawapan terus dan penaakulan dalam model bahasa padat yang kecil. Pengeluar menerangkan pematuhan arahan, penulisan kreatif, perbualan berasaskan peranan, matematik, masalah logik dan kod, dengan lebih daripada 100 bahasa dan dialek yang disokong. Ia menerima teks dan menghasilkan teks. Tugas permulaan yang berguna ialah transformasi dengan spesifikasi ketat: menukar mesej pelanggan pendek kepada balasan sopan, menerangkan istilah untuk pembaca tertentu atau menukar nota mesyuarat kepada senarai tindakan.\n\nKeluaran tepat ini mempunyai 1.7 bilion parameter, termasuk 1.4 bilion di luar embedding, dan 28 lapisan. Perhatian pertanyaan berkumpulan menggunakan 16 kepala pertanyaan dan lapan kepala kunci/nilai. Kad modelnya sendiri menyenaraikan panjang konteks 32,768 token. Itulah tetingkap edisi yang didokumenkan; angka konteks lebih besar daripada saiz Qwen3 lain perlu kekal dikaitkan dengan kad berasingan tersebut. Pastikan teks sumber, arahan, sejarah perbualan dan jawapan yang diminta berada dalam bajet urutan yang berkaitan. Untuk pembantu balasan, bekalkan mesej diterima, fakta latar yang disahkan, khalayak dan panjang yang dikehendaki, bukannya seluruh arkib surat-menyurat yang tidak berkaitan.\n\nPanduan mula pantas pengeluar memformat perbualan dengan templat sembang model. Sediakan tugas kecil yang lengkap dan boleh diperiksa berdasarkan sumbernya. Untuk contoh senarai tindakan, berikan nota yang mengandungi nama, tarikh dan keputusan, minta satu item bagi setiap tindakan serta wajibkan nilai tidak diketahui secara eksplisit jika pemilik tidak dinyatakan. Untuk contoh pengaturcaraan, berikan satu fungsi dan input yang mewakili penggunaan, kemudian minta model menerangkan cabang yang menentukan hasil. Penjelasan yang dikembalikan sepatutnya merujuk pemboleh ubah serta syarat sebenar, bukannya memperkenalkan tingkah laku hipotetikal. 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\nPemikiran didayakan secara lalai dalam templat yang dibekalkan. Suis pada peringkat konfigurasi memilih output tanpa berfikir yang tidak mengandungi bahagian penaakulan. Apabila pemikiran kekal didayakan, /think dan /no_think bertindak sebagai arahan setiap giliran, dengan arahan terkini mengawal pilihan; kedua-duanya tidak boleh mengatasi mod yang dinyahdayakan sepenuhnya. Gunakan tetapan terus untuk penulisan semula pendek dan tetapan penaakulan apabila jawapan perlu menyelaraskan beberapa syarat. Asingkan penaakulan perantaraan daripada respons akhir dan simpan respons akhir dalam sejarah dialog kemudian. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.\n\nPenggunaan ejen merupakan sebahagian daripada set keupayaan yang diterbitkan. Pengeluar mengesyorkan Qwen-Agent untuk pemformatan dan penghuraian alat, manakala aplikasi menyediakan serta melaksanakan alat tersebut. Pembantu terhad boleh meminta carian kamus bagi istilah produk, menerima definisi yang disahkan, kemudian menulis semula ayat pengguna. Tentukan argumen yang dibenarkan dan medan yang dikembalikan; periksa kedua-duanya sebelum menggunakan hasil. Teks akhir sepatutnya membezakan fakta yang dibekalkan, maklumat yang dikembalikan dan soalan yang masih belum terjawab. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.\n\nBajet output perlu sesuai dengan keseluruhan tugas. Kad model menyediakan contoh penjanaan dan cadangan panjang output; perkara ini berbeza daripada maksimum pada bahagian perkhidmatan yang telah dibuktikan. Output pendek yang diminta mudah disahkan: tentukan medan, susunan dan bahasa, serta simpan mesej asal untuk perbandingan. Nilai hasil pada kelas input sebenar sebelum bergantung pada penjanaan bentuk panjang. 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\nSaiz ini mempunyai nota khusus tentang pengulangan berterusan: kad mencadangkan tetapan pensampelan yang disyorkan dan presence_penalty 1.5 apabila pengulangan ketara berlaku. Penalti lebih tinggi kadangkala boleh mencampurkan bahasa atau mengurangkan prestasi. Untuk mod berfikir, temperature yang dicadangkan ialah 0.6 dengan top-p 0.95, top-k 20 dan min-p 0; untuk mod tanpa berfikir, temperature ialah 0.7 dengan top-p 0.8, top-k 20 dan min-p 0. Elakkan penyahkodan greedy dalam mod penaakulan. Periksa nama, tarikh, label dan klausa berulang, serta sahkan sebarang output berstruktur sebelum menyerahkannya kepada bahagian aplikasi yang lain.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B ialah model teks padat yang kecil dengan mod respons terus dan berfikir. Ia menyokong dialog berbilang bahasa, penulisan, kod dan arahan berorientasikan alat, dengan konteks 32,768 token yang didokumenkan bagi keluaran tepat ini.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-1.7B menggabungkan jawapan terus dan penaakulan dalam model bahasa padat yang kecil. Pengeluar menerangkan pematuhan arahan, penulisan kreatif, perbualan berasaskan peranan, matematik, masalah logik dan kod, dengan lebih daripada 100 bahasa dan dialek yang disokong. Ia menerima teks dan menghasilkan teks. Tugas permulaan yang berguna ialah transformasi dengan spesifikasi ketat: menukar mesej pelanggan pendek kepada balasan sopan, menerangkan istilah untuk pembaca tertentu atau menukar nota mesyuarat kepada senarai tindakan.
Keluaran tepat ini mempunyai 1.7 bilion parameter, termasuk 1.4 bilion di luar embedding, dan 28 lapisan. Perhatian pertanyaan berkumpulan menggunakan 16 kepala pertanyaan dan lapan kepala kunci/nilai. Kad modelnya sendiri menyenaraikan panjang konteks 32,768 token. Itulah tetingkap edisi yang didokumenkan; angka konteks lebih besar daripada saiz Qwen3 lain perlu kekal dikaitkan dengan kad berasingan tersebut. Pastikan teks sumber, arahan, sejarah perbualan dan jawapan yang diminta berada dalam bajet urutan yang berkaitan. Untuk pembantu balasan, bekalkan mesej diterima, fakta latar yang disahkan, khalayak dan panjang yang dikehendaki, bukannya seluruh arkib surat-menyurat yang tidak berkaitan.
Panduan mula pantas pengeluar memformat perbualan dengan templat sembang model. Sediakan tugas kecil yang lengkap dan boleh diperiksa berdasarkan sumbernya. Untuk contoh senarai tindakan, berikan nota yang mengandungi nama, tarikh dan keputusan, minta satu item bagi setiap tindakan serta wajibkan nilai tidak diketahui secara eksplisit jika pemilik tidak dinyatakan. Untuk contoh pengaturcaraan, berikan satu fungsi dan input yang mewakili penggunaan, kemudian minta model menerangkan cabang yang menentukan hasil. Penjelasan yang dikembalikan sepatutnya merujuk pemboleh ubah serta syarat sebenar, bukannya memperkenalkan tingkah laku hipotetikal. 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.
Pemikiran didayakan secara lalai dalam templat yang dibekalkan. Suis pada peringkat konfigurasi memilih output tanpa berfikir yang tidak mengandungi bahagian penaakulan. Apabila pemikiran kekal didayakan, /think dan /no_think bertindak sebagai arahan setiap giliran, dengan arahan terkini mengawal pilihan; kedua-duanya tidak boleh mengatasi mod yang dinyahdayakan sepenuhnya. Gunakan tetapan terus untuk penulisan semula pendek dan tetapan penaakulan apabila jawapan perlu menyelaraskan beberapa syarat. Asingkan penaakulan perantaraan daripada respons akhir dan simpan respons akhir dalam sejarah dialog kemudian. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Penggunaan ejen merupakan sebahagian daripada set keupayaan yang diterbitkan. Pengeluar mengesyorkan Qwen-Agent untuk pemformatan dan penghuraian alat, manakala aplikasi menyediakan serta melaksanakan alat tersebut. Pembantu terhad boleh meminta carian kamus bagi istilah produk, menerima definisi yang disahkan, kemudian menulis semula ayat pengguna. Tentukan argumen yang dibenarkan dan medan yang dikembalikan; periksa kedua-duanya sebelum menggunakan hasil. Teks akhir sepatutnya membezakan fakta yang dibekalkan, maklumat yang dikembalikan dan soalan yang masih belum terjawab. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Bajet output perlu sesuai dengan keseluruhan tugas. Kad model menyediakan contoh penjanaan dan cadangan panjang output; perkara ini berbeza daripada maksimum pada bahagian perkhidmatan yang telah dibuktikan. Output pendek yang diminta mudah disahkan: tentukan medan, susunan dan bahasa, serta simpan mesej asal untuk perbandingan. Nilai hasil pada kelas input sebenar sebelum bergantung pada penjanaan bentuk panjang. 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.
Saiz ini mempunyai nota khusus tentang pengulangan berterusan: kad mencadangkan tetapan pensampelan yang disyorkan dan presence_penalty 1.5 apabila pengulangan ketara berlaku. Penalti lebih tinggi kadangkala boleh mencampurkan bahasa atau mengurangkan prestasi. Untuk mod berfikir, temperature yang dicadangkan ialah 0.6 dengan top-p 0.95, top-k 20 dan min-p 0; untuk mod tanpa berfikir, temperature ialah 0.7 dengan top-p 0.8, top-k 20 dan min-p 0. Elakkan penyahkodan greedy dalam mod penaakulan. Periksa nama, tarikh, label dan klausa berulang, serta sahkan sebarang output berstruktur sebelum menyerahkannya kepada bahagian aplikasi yang lain.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-1.7b | 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen3-1.7bQwen3-1.7B ialah model teks padat yang kecil dengan mod respons terus dan berfikir. Ia menyokong dialog berbilang bahasa, penulisan, kod dan arahan berorientasikan alat, dengan konteks 32,768 token yang didokumenkan bagi keluaran tepat ini.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-1.7B menggabungkan jawapan terus dan penaakulan dalam model bahasa padat yang kecil. Pengeluar menerangkan pematuhan arahan, penulisan kreatif, perbualan berasaskan peranan, matematik, masalah logik dan kod, dengan lebih daripada 100 bahasa dan dialek yang disokong. Ia menerima teks dan menghasilkan teks. Tugas permulaan yang berguna ialah transformasi dengan spesifikasi ketat: menukar mesej pelanggan pendek kepada balasan sopan, menerangkan istilah untuk pembaca tertentu atau menukar nota mesyuarat kepada senarai tindakan.
Keluaran tepat ini mempunyai 1.7 bilion parameter, termasuk 1.4 bilion di luar embedding, dan 28 lapisan. Perhatian pertanyaan berkumpulan menggunakan 16 kepala pertanyaan dan lapan kepala kunci/nilai. Kad modelnya sendiri menyenaraikan panjang konteks 32,768 token. Itulah tetingkap edisi yang didokumenkan; angka konteks lebih besar daripada saiz Qwen3 lain perlu kekal dikaitkan dengan kad berasingan tersebut. Pastikan teks sumber, arahan, sejarah perbualan dan jawapan yang diminta berada dalam bajet urutan yang berkaitan. Untuk pembantu balasan, bekalkan mesej diterima, fakta latar yang disahkan, khalayak dan panjang yang dikehendaki, bukannya seluruh arkib surat-menyurat yang tidak berkaitan.
Panduan mula pantas pengeluar memformat perbualan dengan templat sembang model. Sediakan tugas kecil yang lengkap dan boleh diperiksa berdasarkan sumbernya. Untuk contoh senarai tindakan, berikan nota yang mengandungi nama, tarikh dan keputusan, minta satu item bagi setiap tindakan serta wajibkan nilai tidak diketahui secara eksplisit jika pemilik tidak dinyatakan. Untuk contoh pengaturcaraan, berikan satu fungsi dan input yang mewakili penggunaan, kemudian minta model menerangkan cabang yang menentukan hasil. Penjelasan yang dikembalikan sepatutnya merujuk pemboleh ubah serta syarat sebenar, bukannya memperkenalkan tingkah laku hipotetikal. 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.
Pemikiran didayakan secara lalai dalam templat yang dibekalkan. Suis pada peringkat konfigurasi memilih output tanpa berfikir yang tidak mengandungi bahagian penaakulan. Apabila pemikiran kekal didayakan, /think dan /no_think bertindak sebagai arahan setiap giliran, dengan arahan terkini mengawal pilihan; kedua-duanya tidak boleh mengatasi mod yang dinyahdayakan sepenuhnya. Gunakan tetapan terus untuk penulisan semula pendek dan tetapan penaakulan apabila jawapan perlu menyelaraskan beberapa syarat. Asingkan penaakulan perantaraan daripada respons akhir dan simpan respons akhir dalam sejarah dialog kemudian. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Penggunaan ejen merupakan sebahagian daripada set keupayaan yang diterbitkan. Pengeluar mengesyorkan Qwen-Agent untuk pemformatan dan penghuraian alat, manakala aplikasi menyediakan serta melaksanakan alat tersebut. Pembantu terhad boleh meminta carian kamus bagi istilah produk, menerima definisi yang disahkan, kemudian menulis semula ayat pengguna. Tentukan argumen yang dibenarkan dan medan yang dikembalikan; periksa kedua-duanya sebelum menggunakan hasil. Teks akhir sepatutnya membezakan fakta yang dibekalkan, maklumat yang dikembalikan dan soalan yang masih belum terjawab. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Bajet output perlu sesuai dengan keseluruhan tugas. Kad model menyediakan contoh penjanaan dan cadangan panjang output; perkara ini berbeza daripada maksimum pada bahagian perkhidmatan yang telah dibuktikan. Output pendek yang diminta mudah disahkan: tentukan medan, susunan dan bahasa, serta simpan mesej asal untuk perbandingan. Nilai hasil pada kelas input sebenar sebelum bergantung pada penjanaan bentuk panjang. 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.
Saiz ini mempunyai nota khusus tentang pengulangan berterusan: kad mencadangkan tetapan pensampelan yang disyorkan dan presence_penalty 1.5 apabila pengulangan ketara berlaku. Penalti lebih tinggi kadangkala boleh mencampurkan bahasa atau mengurangkan prestasi. Untuk mod berfikir, temperature yang dicadangkan ialah 0.6 dengan top-p 0.95, top-k 20 dan min-p 0; untuk mod tanpa berfikir, temperature ialah 0.7 dengan top-p 0.8, top-k 20 dan min-p 0. Elakkan penyahkodan greedy dalam mod penaakulan. Periksa nama, tarikh, label dan klausa berulang, serta sahkan sebarang output berstruktur sebelum menyerahkannya kepada bahagian aplikasi yang lain.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-1.7b | 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 $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.