Qwen3-4B menerapkan reka bentuk respons hibrid Qwen3 pada model bahasa padat yang kompak. Pengeluar menerangkan penaakulan matematik dan logik, penjanaan kod, penulisan kreatif, interaksi berasaskan peranan dan dialog berbilang giliran, serta pematuhan arahan dalam lebih daripada 100 bahasa dan dialek. Tugas editorial atau teknikal yang terfokus ialah cara yang berguna untuk menggunakannya: berikan petikan sumber tertentu dan minta satu transformasi yang jelas, bukannya gambaran keseluruhan tanpa batasan.
Keluaran ini mengandungi empat bilion parameter, dengan 3.6 bilion di luar pembenaman, dan mempunyai 36 lapisan. Perhatian pertanyaan berkumpulan menggunakan 32 kepala pertanyaan dan lapan kepala kunci/nilai. Teks merupakan input dan output. Kad ini menerangkan keluaran hibrid Qwen3-4B asal, bukannya model Thinking atau Instruct bertarikh yang dikeluarkan kemudian. Contoh praktikal ialah menukar catatan insiden ringkas kepada serahan operasi yang mengandungi kegagalan yang diperhatikan, kesan yang diketahui dan langkah siasatan seterusnya. Berikan fakta tersebut sebagai medan berasingan dan wajibkan model menandakan maklumat yang tiada, bukannya mengisinya sendiri.
Sediakan arahan dan sumber sebagai bahagian berasingan dalam mesej sembang. Untuk pengaturcaraan, lampirkan fungsi kecil, input yang mewakili penggunaan dan nilai pulangan yang dikehendaki, kemudian minta penjelasan atau perubahan berskop sempit. Minta satu kes biasa dan satu kes pinggir sebagai sebahagian daripada output. Untuk tugas penulisan, nyatakan khalayak, panjang dan kosa kata yang mesti dikekalkan. Untuk pengelasan, berikan label yang dibenarkan, takrifnya dan contoh output; pilihan yang dipulangkan kemudian perlu disemak terhadap senarai tersebut. Integrasi yang diterbitkan memerlukan masa jalan yang mengenali Qwen3; kad memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Mod thinking dan non-thinking tersedia dalam keluaran yang sama. Dalam templat pengeluar, thinking dihidupkan secara lalai dan suis tegas mematikannya. Apabila thinking dihidupkan, /think dan /no_think ialah arahan lembut yang boleh mengubah tingkah laku antara giliran; arahan terkini terpakai. Arahan ini tidak mengaktifkan semula mod yang telah dimatikan secara tegas. Transformasi teks ringkas boleh meminta jawapan terus, manakala penjelasan tentang syarat yang bercanggah boleh menggunakan penaakulan. Simpan respons akhir, bukannya teks penaakulan terdahulu, sebagai hasil berguna daripada satu giliran perbualan. Apabila thinking dihidupkan, permintaan non-thinking melalui arahan lembut masih mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahaktifan tegas membuang blok tersebut.
Kad model merangkumi penggunaan sebagai ejen dan mengesyorkan Qwen-Agent untuk takrif alat dan penghuraian. Bagi pembantu yang mengelaskan tiket masuk kemudian mencari huraian kategori, aplikasi perlu menyediakan alat carian, melaksanakan panggilan yang diterima dan membekalkan hasilnya. Takrifkan argumen dan medan yang dijangkakan terlebih dahulu. Minta rekod tiket akhir dengan kategori yang dipilih, justifikasi ringkas dan medan yang belum diketahui. Sahkan rekod itu dan simpan hasil alat yang digunakan untuk menghasilkannya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke dalam perbualan.
Kad bagi edisi ini memberikan konteks asli 32,768 token dan mendokumentasikan peluasan kepada 131,072 menggunakan YaRN. Angka yang diperluas bergantung pada konfigurasi; penskalaan statik mungkin menjejaskan input yang lebih pendek. Rancang keseluruhan permintaan dan respons bersama-sama. Untuk koleksi catatan ringkas, labelkan setiap item, minta pengecam output yang sepadan dan gunakan skema ringkas supaya hasil yang dijana masih muat. Contoh dan cadangan panjang output dalam kad bukan had penjanaan tegas yang universal. Dalam penerangan panjang latihannya, dokumentasi Qwen3 membincangkan panjang mesej pembantu sebanyak 38,912 token dalam mod thinking dan 16,384 dalam mod non-thinking, serta mengesyorkan penilaian kualiti penjanaan yang lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had tegas khusus titik akhir. Kad turut menerangkan peruntukan kedudukan lalai sebanyak 40,960 token sebagai 8,192 untuk prompt biasa ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar, berasingan daripada konteks latihan asli dan sebarang had titik akhir.
Edisi ini mempunyai amaran tambahan tentang pengulangan berterusan. Pengeluar merujuk kepada tetapan pensampelan yang disyorkan dan mencadangkan presence_penalty 1.5 jika berlaku pengulangan ketara. Nasihat umumnya menyatakan bahawa penalti lebih kuat boleh menghasilkan output bercampur bahasa atau mengurangkan kualiti, jadi ini ialah tetapan bersasaran, bukannya jaminan. Mod thinking menggunakan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; non-thinking menggunakan 0.7, 0.8, 20 dan 0. Elakkan penyahkodan tamak untuk penaakulan, wajibkan jawapan akhir dengan sempadan yang jelas dan periksa hasil untuk klausa berulang, medan yang tiada serta istilah yang berubah.
", "aboutText": "Qwen3-4B menerapkan reka bentuk respons hibrid Qwen3 pada model bahasa padat yang kompak. Pengeluar menerangkan penaakulan matematik dan logik, penjanaan kod, penulisan kreatif, interaksi berasaskan peranan dan dialog berbilang giliran, serta pematuhan arahan dalam lebih daripada 100 bahasa dan dialek. Tugas editorial atau teknikal yang terfokus ialah cara yang berguna untuk menggunakannya: berikan petikan sumber tertentu dan minta satu transformasi yang jelas, bukannya gambaran keseluruhan tanpa batasan.\n\nKeluaran ini mengandungi empat bilion parameter, dengan 3.6 bilion di luar pembenaman, dan mempunyai 36 lapisan. Perhatian pertanyaan berkumpulan menggunakan 32 kepala pertanyaan dan lapan kepala kunci/nilai. Teks merupakan input dan output. Kad ini menerangkan keluaran hibrid Qwen3-4B asal, bukannya model Thinking atau Instruct bertarikh yang dikeluarkan kemudian. Contoh praktikal ialah menukar catatan insiden ringkas kepada serahan operasi yang mengandungi kegagalan yang diperhatikan, kesan yang diketahui dan langkah siasatan seterusnya. Berikan fakta tersebut sebagai medan berasingan dan wajibkan model menandakan maklumat yang tiada, bukannya mengisinya sendiri.\n\nSediakan arahan dan sumber sebagai bahagian berasingan dalam mesej sembang. Untuk pengaturcaraan, lampirkan fungsi kecil, input yang mewakili penggunaan dan nilai pulangan yang dikehendaki, kemudian minta penjelasan atau perubahan berskop sempit. Minta satu kes biasa dan satu kes pinggir sebagai sebahagian daripada output. Untuk tugas penulisan, nyatakan khalayak, panjang dan kosa kata yang mesti dikekalkan. Untuk pengelasan, berikan label yang dibenarkan, takrifnya dan contoh output; pilihan yang dipulangkan kemudian perlu disemak terhadap senarai tersebut. Integrasi yang diterbitkan memerlukan masa jalan yang mengenali Qwen3; kad memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.\n\nMod thinking dan non-thinking tersedia dalam keluaran yang sama. Dalam templat pengeluar, thinking dihidupkan secara lalai dan suis tegas mematikannya. Apabila thinking dihidupkan, /think dan /no_think ialah arahan lembut yang boleh mengubah tingkah laku antara giliran; arahan terkini terpakai. Arahan ini tidak mengaktifkan semula mod yang telah dimatikan secara tegas. Transformasi teks ringkas boleh meminta jawapan terus, manakala penjelasan tentang syarat yang bercanggah boleh menggunakan penaakulan. Simpan respons akhir, bukannya teks penaakulan terdahulu, sebagai hasil berguna daripada satu giliran perbualan. Apabila thinking dihidupkan, permintaan non-thinking melalui arahan lembut masih mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahaktifan tegas membuang blok tersebut.\n\nKad model merangkumi penggunaan sebagai ejen dan mengesyorkan Qwen-Agent untuk takrif alat dan penghuraian. Bagi pembantu yang mengelaskan tiket masuk kemudian mencari huraian kategori, aplikasi perlu menyediakan alat carian, melaksanakan panggilan yang diterima dan membekalkan hasilnya. Takrifkan argumen dan medan yang dijangkakan terlebih dahulu. Minta rekod tiket akhir dengan kategori yang dipilih, justifikasi ringkas dan medan yang belum diketahui. Sahkan rekod itu dan simpan hasil alat yang digunakan untuk menghasilkannya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke dalam perbualan.\n\nKad bagi edisi ini memberikan konteks asli 32,768 token dan mendokumentasikan peluasan kepada 131,072 menggunakan YaRN. Angka yang diperluas bergantung pada konfigurasi; penskalaan statik mungkin menjejaskan input yang lebih pendek. Rancang keseluruhan permintaan dan respons bersama-sama. Untuk koleksi catatan ringkas, labelkan setiap item, minta pengecam output yang sepadan dan gunakan skema ringkas supaya hasil yang dijana masih muat. Contoh dan cadangan panjang output dalam kad bukan had penjanaan tegas yang universal. Dalam penerangan panjang latihannya, dokumentasi Qwen3 membincangkan panjang mesej pembantu sebanyak 38,912 token dalam mod thinking dan 16,384 dalam mod non-thinking, serta mengesyorkan penilaian kualiti penjanaan yang lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had tegas khusus titik akhir. Kad turut menerangkan peruntukan kedudukan lalai sebanyak 40,960 token sebagai 8,192 untuk prompt biasa ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar, berasingan daripada konteks latihan asli dan sebarang had titik akhir.\n\nEdisi ini mempunyai amaran tambahan tentang pengulangan berterusan. Pengeluar merujuk kepada tetapan pensampelan yang disyorkan dan mencadangkan presence_penalty 1.5 jika berlaku pengulangan ketara. Nasihat umumnya menyatakan bahawa penalti lebih kuat boleh menghasilkan output bercampur bahasa atau mengurangkan kualiti, jadi ini ialah tetapan bersasaran, bukannya jaminan. Mod thinking menggunakan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; non-thinking menggunakan 0.7, 0.8, 20 dan 0. Elakkan penyahkodan tamak untuk penaakulan, wajibkan jawapan akhir dengan sempadan yang jelas dan periksa hasil untuk klausa berulang, medan yang tiada serta istilah yang berubah.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.qwen3-4bQwen3-4B ialah model teks empat bilion parameter untuk mengikuti arahan, dialog berbilang bahasa dan kod. Reka bentuk hibridnya menyokong jawapan terus serta mod berfikir, dengan panduan khusus edisi untuk mengawal pengulangan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-4B menerapkan reka bentuk respons hibrid Qwen3 pada model bahasa padat yang kompak. Pengeluar menerangkan penaakulan matematik dan logik, penjanaan kod, penulisan kreatif, interaksi berasaskan peranan dan dialog berbilang giliran, serta pematuhan arahan dalam lebih daripada 100 bahasa dan dialek. Tugas editorial atau teknikal yang terfokus ialah cara yang berguna untuk menggunakannya: berikan petikan sumber tertentu dan minta satu transformasi yang jelas, bukannya gambaran keseluruhan tanpa batasan.
Keluaran ini mengandungi empat bilion parameter, dengan 3.6 bilion di luar pembenaman, dan mempunyai 36 lapisan. Perhatian pertanyaan berkumpulan menggunakan 32 kepala pertanyaan dan lapan kepala kunci/nilai. Teks merupakan input dan output. Kad ini menerangkan keluaran hibrid Qwen3-4B asal, bukannya model Thinking atau Instruct bertarikh yang dikeluarkan kemudian. Contoh praktikal ialah menukar catatan insiden ringkas kepada serahan operasi yang mengandungi kegagalan yang diperhatikan, kesan yang diketahui dan langkah siasatan seterusnya. Berikan fakta tersebut sebagai medan berasingan dan wajibkan model menandakan maklumat yang tiada, bukannya mengisinya sendiri.
Sediakan arahan dan sumber sebagai bahagian berasingan dalam mesej sembang. Untuk pengaturcaraan, lampirkan fungsi kecil, input yang mewakili penggunaan dan nilai pulangan yang dikehendaki, kemudian minta penjelasan atau perubahan berskop sempit. Minta satu kes biasa dan satu kes pinggir sebagai sebahagian daripada output. Untuk tugas penulisan, nyatakan khalayak, panjang dan kosa kata yang mesti dikekalkan. Untuk pengelasan, berikan label yang dibenarkan, takrifnya dan contoh output; pilihan yang dipulangkan kemudian perlu disemak terhadap senarai tersebut. Integrasi yang diterbitkan memerlukan masa jalan yang mengenali Qwen3; kad memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Mod thinking dan non-thinking tersedia dalam keluaran yang sama. Dalam templat pengeluar, thinking dihidupkan secara lalai dan suis tegas mematikannya. Apabila thinking dihidupkan, /think dan /no_think ialah arahan lembut yang boleh mengubah tingkah laku antara giliran; arahan terkini terpakai. Arahan ini tidak mengaktifkan semula mod yang telah dimatikan secara tegas. Transformasi teks ringkas boleh meminta jawapan terus, manakala penjelasan tentang syarat yang bercanggah boleh menggunakan penaakulan. Simpan respons akhir, bukannya teks penaakulan terdahulu, sebagai hasil berguna daripada satu giliran perbualan. Apabila thinking dihidupkan, permintaan non-thinking melalui arahan lembut masih mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahaktifan tegas membuang blok tersebut.
Kad model merangkumi penggunaan sebagai ejen dan mengesyorkan Qwen-Agent untuk takrif alat dan penghuraian. Bagi pembantu yang mengelaskan tiket masuk kemudian mencari huraian kategori, aplikasi perlu menyediakan alat carian, melaksanakan panggilan yang diterima dan membekalkan hasilnya. Takrifkan argumen dan medan yang dijangkakan terlebih dahulu. Minta rekod tiket akhir dengan kategori yang dipilih, justifikasi ringkas dan medan yang belum diketahui. Sahkan rekod itu dan simpan hasil alat yang digunakan untuk menghasilkannya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke dalam perbualan.
Kad bagi edisi ini memberikan konteks asli 32,768 token dan mendokumentasikan peluasan kepada 131,072 menggunakan YaRN. Angka yang diperluas bergantung pada konfigurasi; penskalaan statik mungkin menjejaskan input yang lebih pendek. Rancang keseluruhan permintaan dan respons bersama-sama. Untuk koleksi catatan ringkas, labelkan setiap item, minta pengecam output yang sepadan dan gunakan skema ringkas supaya hasil yang dijana masih muat. Contoh dan cadangan panjang output dalam kad bukan had penjanaan tegas yang universal. Dalam penerangan panjang latihannya, dokumentasi Qwen3 membincangkan panjang mesej pembantu sebanyak 38,912 token dalam mod thinking dan 16,384 dalam mod non-thinking, serta mengesyorkan penilaian kualiti penjanaan yang lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had tegas khusus titik akhir. Kad turut menerangkan peruntukan kedudukan lalai sebanyak 40,960 token sebagai 8,192 untuk prompt biasa ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar, berasingan daripada konteks latihan asli dan sebarang had titik akhir.
Edisi ini mempunyai amaran tambahan tentang pengulangan berterusan. Pengeluar merujuk kepada tetapan pensampelan yang disyorkan dan mencadangkan presence_penalty 1.5 jika berlaku pengulangan ketara. Nasihat umumnya menyatakan bahawa penalti lebih kuat boleh menghasilkan output bercampur bahasa atau mengurangkan kualiti, jadi ini ialah tetapan bersasaran, bukannya jaminan. Mod thinking menggunakan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; non-thinking menggunakan 0.7, 0.8, 20 dan 0. Elakkan penyahkodan tamak untuk penaakulan, wajibkan jawapan akhir dengan sempadan yang jelas dan periksa hasil untuk klausa berulang, medan yang tiada serta istilah yang berubah.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-4b | 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": "qwen3-4b", "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='qwen3-4b',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='qwen3-4b',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 qwen3-4b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen3-4bQwen3-4B ialah model teks empat bilion parameter untuk mengikuti arahan, dialog berbilang bahasa dan kod. Reka bentuk hibridnya menyokong jawapan terus serta mod berfikir, dengan panduan khusus edisi untuk mengawal pengulangan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-4B menerapkan reka bentuk respons hibrid Qwen3 pada model bahasa padat yang kompak. Pengeluar menerangkan penaakulan matematik dan logik, penjanaan kod, penulisan kreatif, interaksi berasaskan peranan dan dialog berbilang giliran, serta pematuhan arahan dalam lebih daripada 100 bahasa dan dialek. Tugas editorial atau teknikal yang terfokus ialah cara yang berguna untuk menggunakannya: berikan petikan sumber tertentu dan minta satu transformasi yang jelas, bukannya gambaran keseluruhan tanpa batasan.
Keluaran ini mengandungi empat bilion parameter, dengan 3.6 bilion di luar pembenaman, dan mempunyai 36 lapisan. Perhatian pertanyaan berkumpulan menggunakan 32 kepala pertanyaan dan lapan kepala kunci/nilai. Teks merupakan input dan output. Kad ini menerangkan keluaran hibrid Qwen3-4B asal, bukannya model Thinking atau Instruct bertarikh yang dikeluarkan kemudian. Contoh praktikal ialah menukar catatan insiden ringkas kepada serahan operasi yang mengandungi kegagalan yang diperhatikan, kesan yang diketahui dan langkah siasatan seterusnya. Berikan fakta tersebut sebagai medan berasingan dan wajibkan model menandakan maklumat yang tiada, bukannya mengisinya sendiri.
Sediakan arahan dan sumber sebagai bahagian berasingan dalam mesej sembang. Untuk pengaturcaraan, lampirkan fungsi kecil, input yang mewakili penggunaan dan nilai pulangan yang dikehendaki, kemudian minta penjelasan atau perubahan berskop sempit. Minta satu kes biasa dan satu kes pinggir sebagai sebahagian daripada output. Untuk tugas penulisan, nyatakan khalayak, panjang dan kosa kata yang mesti dikekalkan. Untuk pengelasan, berikan label yang dibenarkan, takrifnya dan contoh output; pilihan yang dipulangkan kemudian perlu disemak terhadap senarai tersebut. Integrasi yang diterbitkan memerlukan masa jalan yang mengenali Qwen3; kad memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Mod thinking dan non-thinking tersedia dalam keluaran yang sama. Dalam templat pengeluar, thinking dihidupkan secara lalai dan suis tegas mematikannya. Apabila thinking dihidupkan, /think dan /no_think ialah arahan lembut yang boleh mengubah tingkah laku antara giliran; arahan terkini terpakai. Arahan ini tidak mengaktifkan semula mod yang telah dimatikan secara tegas. Transformasi teks ringkas boleh meminta jawapan terus, manakala penjelasan tentang syarat yang bercanggah boleh menggunakan penaakulan. Simpan respons akhir, bukannya teks penaakulan terdahulu, sebagai hasil berguna daripada satu giliran perbualan. Apabila thinking dihidupkan, permintaan non-thinking melalui arahan lembut masih mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahaktifan tegas membuang blok tersebut.
Kad model merangkumi penggunaan sebagai ejen dan mengesyorkan Qwen-Agent untuk takrif alat dan penghuraian. Bagi pembantu yang mengelaskan tiket masuk kemudian mencari huraian kategori, aplikasi perlu menyediakan alat carian, melaksanakan panggilan yang diterima dan membekalkan hasilnya. Takrifkan argumen dan medan yang dijangkakan terlebih dahulu. Minta rekod tiket akhir dengan kategori yang dipilih, justifikasi ringkas dan medan yang belum diketahui. Sahkan rekod itu dan simpan hasil alat yang digunakan untuk menghasilkannya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke dalam perbualan.
Kad bagi edisi ini memberikan konteks asli 32,768 token dan mendokumentasikan peluasan kepada 131,072 menggunakan YaRN. Angka yang diperluas bergantung pada konfigurasi; penskalaan statik mungkin menjejaskan input yang lebih pendek. Rancang keseluruhan permintaan dan respons bersama-sama. Untuk koleksi catatan ringkas, labelkan setiap item, minta pengecam output yang sepadan dan gunakan skema ringkas supaya hasil yang dijana masih muat. Contoh dan cadangan panjang output dalam kad bukan had penjanaan tegas yang universal. Dalam penerangan panjang latihannya, dokumentasi Qwen3 membincangkan panjang mesej pembantu sebanyak 38,912 token dalam mod thinking dan 16,384 dalam mod non-thinking, serta mengesyorkan penilaian kualiti penjanaan yang lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had tegas khusus titik akhir. Kad turut menerangkan peruntukan kedudukan lalai sebanyak 40,960 token sebagai 8,192 untuk prompt biasa ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar, berasingan daripada konteks latihan asli dan sebarang had titik akhir.
Edisi ini mempunyai amaran tambahan tentang pengulangan berterusan. Pengeluar merujuk kepada tetapan pensampelan yang disyorkan dan mencadangkan presence_penalty 1.5 jika berlaku pengulangan ketara. Nasihat umumnya menyatakan bahawa penalti lebih kuat boleh menghasilkan output bercampur bahasa atau mengurangkan kualiti, jadi ini ialah tetapan bersasaran, bukannya jaminan. Mod thinking menggunakan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; non-thinking menggunakan 0.7, 0.8, 20 dan 0. Elakkan penyahkodan tamak untuk penaakulan, wajibkan jawapan akhir dengan sempadan yang jelas dan periksa hasil untuk klausa berulang, medan yang tiada serta istilah yang berubah.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-4b | 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 $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen3-4b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-4b', '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': 'qwen3-4b', '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 qwen3-4b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.