Qwen3-235B-A22B membawa pendekatan penaakulan hibrid Qwen3 kepada model campuran pakar yang besar. Keupayaan teksnya merangkumi masalah matematik dan logik, penjanaan kod, penulisan kreatif, perbualan berasaskan peranan dan pematuhan arahan berbilang giliran. Ia berfungsi merentas lebih daripada 100 bahasa dan dialek. Untuk perbincangan pembangunan produk, berikan keperluan, contoh konkrit dan keputusan yang diperlukan: perbandingan reka bentuk, pelaksanaan atau penjelasan yang boleh digunakan khalayak tertentu.
Model ini mempunyai 235 bilion parameter keseluruhan dan mengaktifkan 22 bilion semasa pemprosesan. Seni binanya mengandungi 128 pakar, memilih lapan daripadanya dan mempunyai 94 lapisan. Angka ini mengenal pasti keluaran ini; model Qwen3 yang lebih kecil dan edisi FP8 mempunyai identiti berasingan. Input dan output ialah teks. Tugas kejuruteraan yang sesuai ialah membandingkan dua algoritma penyelarasan menggunakan rekod contoh yang sama, mengenal pasti kekangan yang dipenuhi setiap satu dan mengembalikan algoritma pilihan bersama kes ujian. Bekalkan nama medan sebenar, peraturan pengendalian pendua dan jumlah yang dijangka supaya jawapan boleh diperiksa berdasarkan masalah asal.
Sediakan permintaan sebagai mesej sembang, dengan mengasingkan bahan sumber daripada arahan. Untuk soalan matematik, sertakan pernyataan lengkap, andaian yang dibenarkan dan notasi, kemudian minta jawapan akhir dalam bentuk yang ditetapkan. Untuk kod, sertakan fungsi berkaitan, bahasa, input yang mewakili penggunaan dan kegagalan yang diperhatikan. Minta perubahan terkecil yang berasas dan terangkan tingkah laku sedia ada yang mesti dikekalkan. Untuk penulisan berbilang bahasa, berikan khalayak dan senarai istilah, bukannya meminta terjemahan umum. 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.
Berfikir dan tanpa berfikir ialah mod bagi model yang sama ini. Templat sembang pengeluar mendayakan pemikiran secara lalai; suis pada peringkat konfigurasi boleh menyahdayakannya sepenuhnya. Apabila pemikiran kekal didayakan, /think dan /no_think menyediakan kawalan pada peringkat giliran, dengan arahan terkini diberi keutamaan. Mod yang dinyahdayakan sepenuhnya tidak bertindak balas kepada arahan per giliran tersebut. Dalam antara muka pembangun, asingkan jawapan akhir daripada bahagian penaakulan dan bawa jawapan akhir ke sejarah perbualan seterusnya. Pilih mod dengan sengaja: pertikaian algoritma dan penulisan semula pendek memerlukan jumlah analisis yang berbeza. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Untuk aliran kerja ejen, pengeluar mengesyorkan Qwen-Agent untuk templat alat dan penghuraian. Alat boleh merangkumi perkhidmatan yang disambungkan atau pentafsir kod; aplikasi mentakrifkan dan melaksanakannya. Sebagai contoh, berikan pembantu carian inventori baca sahaja dengan medan yang didokumenkan dan minta ia membandingkan stok yang dikembalikan dengan pesanan yang dibekalkan. Tentukan tujuan alat, argumen yang diterima, struktur hasil dan sempadan kebenaran. Wajibkan respons akhir membezakan tindakan yang dicadangkan daripada hasil alat yang disahkan. Keupayaan model berkaitan alat tidak menyebabkan tindakan luaran berlaku dengan sendirinya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Konteks natif ialah 32,768 token. Pengeluar mengesahkan 131,072 token dengan peluasan YaRN; ini bergantung pada konfigurasi, dan penskalaan statik boleh menjejaskan input yang lebih pendek. Bajet konteks merangkumi permintaan dan respons yang dijana. Untuk spesifikasi panjang, kenal pasti bahagian yang berkaitan dengan keputusan, labelkannya dan sediakan ruang jawapan, bukannya mengisi seluruh bajet dengan teks sumber. Kad ini mengesyorkan 32,768 token output untuk kebanyakan pertanyaan, bukannya mengisytiharkan nilai itu sebagai had perkhidmatan sejagat. 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 ini turut menerangkan peruntukan kedudukan lalainya sebanyak 40,960 token sebagai 8,192 untuk prompt lazim ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar yang berasingan daripada konteks latihan natif dan sebarang had titik akhir.
Pensampelan yang disyorkan bagi mod berfikir ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod tanpa berfikir menggunakan 0.7, 0.8, 20 dan 0. Pengeluar mengesyorkan penyahkodan bersampel dan memberi amaran bahawa penyahkodan greedy dalam mod berfikir boleh menyebabkan pengulangan. Penalti kehadiran lebih tinggi juga boleh mencampurkan bahasa. Jadikan hasil mudah diperiksa: minta medan jawapan akhir bernama, jadual keputusan berserta alasan, atau tampalan kod bersama contoh. Periksa pengiraan berdasarkan nombor yang dibekalkan, jalankan kod yang dicadangkan dalam persekitaran yang dimaksudkan dan semak hasil alat sebelum bertindak.
", "aboutText": "Qwen3-235B-A22B membawa pendekatan penaakulan hibrid Qwen3 kepada model campuran pakar yang besar. Keupayaan teksnya merangkumi masalah matematik dan logik, penjanaan kod, penulisan kreatif, perbualan berasaskan peranan dan pematuhan arahan berbilang giliran. Ia berfungsi merentas lebih daripada 100 bahasa dan dialek. Untuk perbincangan pembangunan produk, berikan keperluan, contoh konkrit dan keputusan yang diperlukan: perbandingan reka bentuk, pelaksanaan atau penjelasan yang boleh digunakan khalayak tertentu.\n\nModel ini mempunyai 235 bilion parameter keseluruhan dan mengaktifkan 22 bilion semasa pemprosesan. Seni binanya mengandungi 128 pakar, memilih lapan daripadanya dan mempunyai 94 lapisan. Angka ini mengenal pasti keluaran ini; model Qwen3 yang lebih kecil dan edisi FP8 mempunyai identiti berasingan. Input dan output ialah teks. Tugas kejuruteraan yang sesuai ialah membandingkan dua algoritma penyelarasan menggunakan rekod contoh yang sama, mengenal pasti kekangan yang dipenuhi setiap satu dan mengembalikan algoritma pilihan bersama kes ujian. Bekalkan nama medan sebenar, peraturan pengendalian pendua dan jumlah yang dijangka supaya jawapan boleh diperiksa berdasarkan masalah asal.\n\nSediakan permintaan sebagai mesej sembang, dengan mengasingkan bahan sumber daripada arahan. Untuk soalan matematik, sertakan pernyataan lengkap, andaian yang dibenarkan dan notasi, kemudian minta jawapan akhir dalam bentuk yang ditetapkan. Untuk kod, sertakan fungsi berkaitan, bahasa, input yang mewakili penggunaan dan kegagalan yang diperhatikan. Minta perubahan terkecil yang berasas dan terangkan tingkah laku sedia ada yang mesti dikekalkan. Untuk penulisan berbilang bahasa, berikan khalayak dan senarai istilah, bukannya meminta terjemahan umum. 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\nBerfikir dan tanpa berfikir ialah mod bagi model yang sama ini. Templat sembang pengeluar mendayakan pemikiran secara lalai; suis pada peringkat konfigurasi boleh menyahdayakannya sepenuhnya. Apabila pemikiran kekal didayakan, /think dan /no_think menyediakan kawalan pada peringkat giliran, dengan arahan terkini diberi keutamaan. Mod yang dinyahdayakan sepenuhnya tidak bertindak balas kepada arahan per giliran tersebut. Dalam antara muka pembangun, asingkan jawapan akhir daripada bahagian penaakulan dan bawa jawapan akhir ke sejarah perbualan seterusnya. Pilih mod dengan sengaja: pertikaian algoritma dan penulisan semula pendek memerlukan jumlah analisis yang berbeza. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.\n\nUntuk aliran kerja ejen, pengeluar mengesyorkan Qwen-Agent untuk templat alat dan penghuraian. Alat boleh merangkumi perkhidmatan yang disambungkan atau pentafsir kod; aplikasi mentakrifkan dan melaksanakannya. Sebagai contoh, berikan pembantu carian inventori baca sahaja dengan medan yang didokumenkan dan minta ia membandingkan stok yang dikembalikan dengan pesanan yang dibekalkan. Tentukan tujuan alat, argumen yang diterima, struktur hasil dan sempadan kebenaran. Wajibkan respons akhir membezakan tindakan yang dicadangkan daripada hasil alat yang disahkan. Keupayaan model berkaitan alat tidak menyebabkan tindakan luaran berlaku dengan sendirinya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.\n\nKonteks natif ialah 32,768 token. Pengeluar mengesahkan 131,072 token dengan peluasan YaRN; ini bergantung pada konfigurasi, dan penskalaan statik boleh menjejaskan input yang lebih pendek. Bajet konteks merangkumi permintaan dan respons yang dijana. Untuk spesifikasi panjang, kenal pasti bahagian yang berkaitan dengan keputusan, labelkannya dan sediakan ruang jawapan, bukannya mengisi seluruh bajet dengan teks sumber. Kad ini mengesyorkan 32,768 token output untuk kebanyakan pertanyaan, bukannya mengisytiharkan nilai itu sebagai had perkhidmatan sejagat. 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 ini turut menerangkan peruntukan kedudukan lalainya sebanyak 40,960 token sebagai 8,192 untuk prompt lazim ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar yang berasingan daripada konteks latihan natif dan sebarang had titik akhir.\n\nPensampelan yang disyorkan bagi mod berfikir ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod tanpa berfikir menggunakan 0.7, 0.8, 20 dan 0. Pengeluar mengesyorkan penyahkodan bersampel dan memberi amaran bahawa penyahkodan greedy dalam mod berfikir boleh menyebabkan pengulangan. Penalti kehadiran lebih tinggi juga boleh mencampurkan bahasa. Jadikan hasil mudah diperiksa: minta medan jawapan akhir bernama, jadual keputusan berserta alasan, atau tampalan kod bersama contoh. Periksa pengiraan berdasarkan nombor yang dibekalkan, jalankan kod yang dicadangkan dalam persekitaran yang dimaksudkan dan semak hasil alat sebelum bertindak.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B menggabungkan penaakulan terperinci dan respons teks terus dalam satu model campuran pakar. Gunakannya untuk analisis matematik, kod, penulisan berbilang bahasa dan pembantu yang bekerja dengan alat yang disambungkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-235B-A22B membawa pendekatan penaakulan hibrid Qwen3 kepada model campuran pakar yang besar. Keupayaan teksnya merangkumi masalah matematik dan logik, penjanaan kod, penulisan kreatif, perbualan berasaskan peranan dan pematuhan arahan berbilang giliran. Ia berfungsi merentas lebih daripada 100 bahasa dan dialek. Untuk perbincangan pembangunan produk, berikan keperluan, contoh konkrit dan keputusan yang diperlukan: perbandingan reka bentuk, pelaksanaan atau penjelasan yang boleh digunakan khalayak tertentu.
Model ini mempunyai 235 bilion parameter keseluruhan dan mengaktifkan 22 bilion semasa pemprosesan. Seni binanya mengandungi 128 pakar, memilih lapan daripadanya dan mempunyai 94 lapisan. Angka ini mengenal pasti keluaran ini; model Qwen3 yang lebih kecil dan edisi FP8 mempunyai identiti berasingan. Input dan output ialah teks. Tugas kejuruteraan yang sesuai ialah membandingkan dua algoritma penyelarasan menggunakan rekod contoh yang sama, mengenal pasti kekangan yang dipenuhi setiap satu dan mengembalikan algoritma pilihan bersama kes ujian. Bekalkan nama medan sebenar, peraturan pengendalian pendua dan jumlah yang dijangka supaya jawapan boleh diperiksa berdasarkan masalah asal.
Sediakan permintaan sebagai mesej sembang, dengan mengasingkan bahan sumber daripada arahan. Untuk soalan matematik, sertakan pernyataan lengkap, andaian yang dibenarkan dan notasi, kemudian minta jawapan akhir dalam bentuk yang ditetapkan. Untuk kod, sertakan fungsi berkaitan, bahasa, input yang mewakili penggunaan dan kegagalan yang diperhatikan. Minta perubahan terkecil yang berasas dan terangkan tingkah laku sedia ada yang mesti dikekalkan. Untuk penulisan berbilang bahasa, berikan khalayak dan senarai istilah, bukannya meminta terjemahan umum. 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.
Berfikir dan tanpa berfikir ialah mod bagi model yang sama ini. Templat sembang pengeluar mendayakan pemikiran secara lalai; suis pada peringkat konfigurasi boleh menyahdayakannya sepenuhnya. Apabila pemikiran kekal didayakan, /think dan /no_think menyediakan kawalan pada peringkat giliran, dengan arahan terkini diberi keutamaan. Mod yang dinyahdayakan sepenuhnya tidak bertindak balas kepada arahan per giliran tersebut. Dalam antara muka pembangun, asingkan jawapan akhir daripada bahagian penaakulan dan bawa jawapan akhir ke sejarah perbualan seterusnya. Pilih mod dengan sengaja: pertikaian algoritma dan penulisan semula pendek memerlukan jumlah analisis yang berbeza. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Untuk aliran kerja ejen, pengeluar mengesyorkan Qwen-Agent untuk templat alat dan penghuraian. Alat boleh merangkumi perkhidmatan yang disambungkan atau pentafsir kod; aplikasi mentakrifkan dan melaksanakannya. Sebagai contoh, berikan pembantu carian inventori baca sahaja dengan medan yang didokumenkan dan minta ia membandingkan stok yang dikembalikan dengan pesanan yang dibekalkan. Tentukan tujuan alat, argumen yang diterima, struktur hasil dan sempadan kebenaran. Wajibkan respons akhir membezakan tindakan yang dicadangkan daripada hasil alat yang disahkan. Keupayaan model berkaitan alat tidak menyebabkan tindakan luaran berlaku dengan sendirinya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Konteks natif ialah 32,768 token. Pengeluar mengesahkan 131,072 token dengan peluasan YaRN; ini bergantung pada konfigurasi, dan penskalaan statik boleh menjejaskan input yang lebih pendek. Bajet konteks merangkumi permintaan dan respons yang dijana. Untuk spesifikasi panjang, kenal pasti bahagian yang berkaitan dengan keputusan, labelkannya dan sediakan ruang jawapan, bukannya mengisi seluruh bajet dengan teks sumber. Kad ini mengesyorkan 32,768 token output untuk kebanyakan pertanyaan, bukannya mengisytiharkan nilai itu sebagai had perkhidmatan sejagat. 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 ini turut menerangkan peruntukan kedudukan lalainya sebanyak 40,960 token sebagai 8,192 untuk prompt lazim ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar yang berasingan daripada konteks latihan natif dan sebarang had titik akhir.
Pensampelan yang disyorkan bagi mod berfikir ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod tanpa berfikir menggunakan 0.7, 0.8, 20 dan 0. Pengeluar mengesyorkan penyahkodan bersampel dan memberi amaran bahawa penyahkodan greedy dalam mod berfikir boleh menyebabkan pengulangan. Penalti kehadiran lebih tinggi juga boleh mencampurkan bahasa. Jadikan hasil mudah diperiksa: minta medan jawapan akhir bernama, jadual keputusan berserta alasan, atau tampalan kod bersama contoh. Periksa pengiraan berdasarkan nombor yang dibekalkan, jalankan kod yang dicadangkan dalam persekitaran yang dimaksudkan dan semak hasil alat sebelum bertindak.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-235b-a22b | 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 $0.00114 / 1K token Output · Token output $0.00342 / 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": "qwen3-235b-a22b", "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='qwen3-235b-a22b',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='qwen3-235b-a22b',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 qwen3-235b-a22b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen3-235b-a22bQwen3-235B-A22B menggabungkan penaakulan terperinci dan respons teks terus dalam satu model campuran pakar. Gunakannya untuk analisis matematik, kod, penulisan berbilang bahasa dan pembantu yang bekerja dengan alat yang disambungkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-235B-A22B membawa pendekatan penaakulan hibrid Qwen3 kepada model campuran pakar yang besar. Keupayaan teksnya merangkumi masalah matematik dan logik, penjanaan kod, penulisan kreatif, perbualan berasaskan peranan dan pematuhan arahan berbilang giliran. Ia berfungsi merentas lebih daripada 100 bahasa dan dialek. Untuk perbincangan pembangunan produk, berikan keperluan, contoh konkrit dan keputusan yang diperlukan: perbandingan reka bentuk, pelaksanaan atau penjelasan yang boleh digunakan khalayak tertentu.
Model ini mempunyai 235 bilion parameter keseluruhan dan mengaktifkan 22 bilion semasa pemprosesan. Seni binanya mengandungi 128 pakar, memilih lapan daripadanya dan mempunyai 94 lapisan. Angka ini mengenal pasti keluaran ini; model Qwen3 yang lebih kecil dan edisi FP8 mempunyai identiti berasingan. Input dan output ialah teks. Tugas kejuruteraan yang sesuai ialah membandingkan dua algoritma penyelarasan menggunakan rekod contoh yang sama, mengenal pasti kekangan yang dipenuhi setiap satu dan mengembalikan algoritma pilihan bersama kes ujian. Bekalkan nama medan sebenar, peraturan pengendalian pendua dan jumlah yang dijangka supaya jawapan boleh diperiksa berdasarkan masalah asal.
Sediakan permintaan sebagai mesej sembang, dengan mengasingkan bahan sumber daripada arahan. Untuk soalan matematik, sertakan pernyataan lengkap, andaian yang dibenarkan dan notasi, kemudian minta jawapan akhir dalam bentuk yang ditetapkan. Untuk kod, sertakan fungsi berkaitan, bahasa, input yang mewakili penggunaan dan kegagalan yang diperhatikan. Minta perubahan terkecil yang berasas dan terangkan tingkah laku sedia ada yang mesti dikekalkan. Untuk penulisan berbilang bahasa, berikan khalayak dan senarai istilah, bukannya meminta terjemahan umum. 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.
Berfikir dan tanpa berfikir ialah mod bagi model yang sama ini. Templat sembang pengeluar mendayakan pemikiran secara lalai; suis pada peringkat konfigurasi boleh menyahdayakannya sepenuhnya. Apabila pemikiran kekal didayakan, /think dan /no_think menyediakan kawalan pada peringkat giliran, dengan arahan terkini diberi keutamaan. Mod yang dinyahdayakan sepenuhnya tidak bertindak balas kepada arahan per giliran tersebut. Dalam antara muka pembangun, asingkan jawapan akhir daripada bahagian penaakulan dan bawa jawapan akhir ke sejarah perbualan seterusnya. Pilih mod dengan sengaja: pertikaian algoritma dan penulisan semula pendek memerlukan jumlah analisis yang berbeza. Dengan pemikiran didayakan, permintaan tanpa berfikir melalui arahan per giliran tetap mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahdayaan sepenuhnya membuang blok itu.
Untuk aliran kerja ejen, pengeluar mengesyorkan Qwen-Agent untuk templat alat dan penghuraian. Alat boleh merangkumi perkhidmatan yang disambungkan atau pentafsir kod; aplikasi mentakrifkan dan melaksanakannya. Sebagai contoh, berikan pembantu carian inventori baca sahaja dengan medan yang didokumenkan dan minta ia membandingkan stok yang dikembalikan dengan pesanan yang dibekalkan. Tentukan tujuan alat, argumen yang diterima, struktur hasil dan sempadan kebenaran. Wajibkan respons akhir membezakan tindakan yang dicadangkan daripada hasil alat yang disahkan. Keupayaan model berkaitan alat tidak menyebabkan tindakan luaran berlaku dengan sendirinya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek serta hasil dibekalkan semula ke dalam perbualan.
Konteks natif ialah 32,768 token. Pengeluar mengesahkan 131,072 token dengan peluasan YaRN; ini bergantung pada konfigurasi, dan penskalaan statik boleh menjejaskan input yang lebih pendek. Bajet konteks merangkumi permintaan dan respons yang dijana. Untuk spesifikasi panjang, kenal pasti bahagian yang berkaitan dengan keputusan, labelkannya dan sediakan ruang jawapan, bukannya mengisi seluruh bajet dengan teks sumber. Kad ini mengesyorkan 32,768 token output untuk kebanyakan pertanyaan, bukannya mengisytiharkan nilai itu sebagai had perkhidmatan sejagat. 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 ini turut menerangkan peruntukan kedudukan lalainya sebanyak 40,960 token sebagai 8,192 untuk prompt lazim ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar yang berasingan daripada konteks latihan natif dan sebarang had titik akhir.
Pensampelan yang disyorkan bagi mod berfikir ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod tanpa berfikir menggunakan 0.7, 0.8, 20 dan 0. Pengeluar mengesyorkan penyahkodan bersampel dan memberi amaran bahawa penyahkodan greedy dalam mod berfikir boleh menyebabkan pengulangan. Penalti kehadiran lebih tinggi juga boleh mencampurkan bahasa. Jadikan hasil mudah diperiksa: minta medan jawapan akhir bernama, jadual keputusan berserta alasan, atau tampalan kod bersama contoh. Periksa pengiraan berdasarkan nombor yang dibekalkan, jalankan kod yang dicadangkan dalam persekitaran yang dimaksudkan dan semak hasil alat sebelum bertindak.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-235b-a22b | 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 $0.00114 / 1K token Output · Token output $0.00342 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-235b-a22b', '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': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.