Qwen3-8B ialah model bahasa padat Qwen3 yang menggabungkan penaakulan dan penjanaan teks biasa. Kekuatan yang diperkenalkan termasuk matematik, penyelesaian masalah logik, kod, penulisan kreatif, dialog berasaskan peranan dan pematuhan arahan merentas beberapa giliran. Keluarga ini menyokong lebih daripada 100 bahasa dan dialek. Penggunaan praktikal ialah pembantu sokongan berbilang bahasa yang menukar mesej pelanggan dan petikan dasar yang dibekalkan kepada balasan berguna, sambil mengekalkan nama produk serta nada yang diminta.
Keluaran ini mempunyai 8.2 bilion parameter, termasuk 6.95 bilion di luar pembenaman, dan 36 lapisan. Model ini menggunakan perhatian pertanyaan berkumpulan dengan 32 kepala pertanyaan dan lapan kepala kunci/nilai. Ini ialah model padat berasingan, bukannya model campuran pakar 235B yang beroperasi dengan lebih sedikit pakar. Input kerja dan hasil yang dijana ialah teks: terjemahan, penjelasan, dokumen yang disemak, pelan atau program. Pilih tugas yang jelas sebelum menambah konteks. Untuk balasan sokongan, berikan mesej pelanggan, dasar yang terpakai, istilah yang diluluskan dan tindakan yang perlu diambil pembaca; minta balasan serta senarai fakta yang masih tiada secara berasingan.
Aliran permulaan pengeluar menggunakan jujukan mesej sembang dan templat sembang yang jelas. Untuk bantuan kod, sertakan fungsi berkaitan, input yang menunjukkan masalah, output sebenar dan hasil yang dijangkakan. Minta fungsi yang dibetulkan berserta contoh, dengan penjelasan berasingan tentang tingkah laku yang berubah. Untuk terjemahan, kenal pasti bahasa sumber dan sasaran, pembaca serta istilah yang perlu dikekalkan. Input ini menjadikan teks yang terhasil lebih mudah dibandingkan dengan keperluan asal. 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.
Model yang sama menyokong mod thinking dan non-thinking. Thinking dihidupkan secara lalai dalam templat yang disediakan. Penyahaktifan tegas membuang bahagian penaakulan; apabila thinking kekal dihidupkan, /think dan /no_think boleh mengubah pilihan antara giliran. Arahan sedemikian yang terkini diutamakan, dan suis pada peringkat prompt itu tidak boleh mengatasi penyahaktifan tegas. Dalam aliran kerja produk, gunakan mod terus untuk penulisan semula ringkas mesej yang diluluskan dan pilih penaakulan bagi percanggahan yang memerlukan penjelasan. Asingkan jawapan akhir daripada penaakulan perantaraan dan kekalkan hanya jawapan akhir dalam sejarah perbualan kemudian. Apabila thinking dihidupkan, permintaan non-thinking melalui arahan lembut masih mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahaktifan tegas membuang blok tersebut.
Pengeluar menerangkan panggilan alat dan mengesyorkan Qwen-Agent untuk mengurus templat serta penghuraian. Aplikasi boleh membekalkan takrif alat, melaksanakan panggilan yang diminta dan memulangkan hasilnya. Untuk pembantu sokongan, carian pesanan terhad yang baca sahaja boleh memberikan status penghantaran disahkan sebelum model menggubal respons. Nyatakan medan carian yang dibenarkan dan cara rekod yang tiada patut dilaporkan. Hasil akhir yang berguna ialah balasan berasaskan maklumat yang dipulangkan, bukannya pernyataan tanpa sokongan bahawa operasi luaran berjaya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke dalam perbualan.
Kad model menyenaraikan konteks asli 32,768 token dan 131,072 dengan peluasan YaRN. Oleh itu, tingkah laku konteks panjang bergantung pada konfigurasi sebenar. YaRN statik boleh menjejaskan permintaan lebih pendek, jadi kad menasihatkan pengaktifannya apabila konteks panjang diperlukan. Input, sejarah perbualan dan output yang dijana menggunakan bajet konteks bersama. Labelkan bahagian sumber panjang, buang pendua yang tidak berkaitan dan tinggalkan ruang untuk jawapan yang diminta. Contoh penjanaan dan cadangan output yang diterbitkan ialah panduan konfigurasi, bukannya had maksimum output tegas yang berasingan. 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.
Untuk mod thinking, nilai pensampelan yang disyorkan ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; untuk non-thinking nilainya ialah 0.7, 0.8, 20 dan 0. Pengeluar memberi amaran bahawa penaakulan tamak boleh menghasilkan teks berulang. Penalti kehadiran yang lebih tinggi boleh mengurangkan pengulangan, tetapi kadangkala menyebabkan campuran bahasa. Takrifkan format akhir dengan jelas—contohnya, balasan diikuti objek JSON yang mengandungi medan belum diselesaikan—dan sahkan objek itu sebelum digunakan oleh aplikasi. Semak kod yang dicadangkan dengan kes yang dibekalkan dan tinjau terjemahan untuk memastikan istilah dikekalkan.
", "aboutText": "Qwen3-8B ialah model bahasa padat Qwen3 yang menggabungkan penaakulan dan penjanaan teks biasa. Kekuatan yang diperkenalkan termasuk matematik, penyelesaian masalah logik, kod, penulisan kreatif, dialog berasaskan peranan dan pematuhan arahan merentas beberapa giliran. Keluarga ini menyokong lebih daripada 100 bahasa dan dialek. Penggunaan praktikal ialah pembantu sokongan berbilang bahasa yang menukar mesej pelanggan dan petikan dasar yang dibekalkan kepada balasan berguna, sambil mengekalkan nama produk serta nada yang diminta.\n\nKeluaran ini mempunyai 8.2 bilion parameter, termasuk 6.95 bilion di luar pembenaman, dan 36 lapisan. Model ini menggunakan perhatian pertanyaan berkumpulan dengan 32 kepala pertanyaan dan lapan kepala kunci/nilai. Ini ialah model padat berasingan, bukannya model campuran pakar 235B yang beroperasi dengan lebih sedikit pakar. Input kerja dan hasil yang dijana ialah teks: terjemahan, penjelasan, dokumen yang disemak, pelan atau program. Pilih tugas yang jelas sebelum menambah konteks. Untuk balasan sokongan, berikan mesej pelanggan, dasar yang terpakai, istilah yang diluluskan dan tindakan yang perlu diambil pembaca; minta balasan serta senarai fakta yang masih tiada secara berasingan.\n\nAliran permulaan pengeluar menggunakan jujukan mesej sembang dan templat sembang yang jelas. Untuk bantuan kod, sertakan fungsi berkaitan, input yang menunjukkan masalah, output sebenar dan hasil yang dijangkakan. Minta fungsi yang dibetulkan berserta contoh, dengan penjelasan berasingan tentang tingkah laku yang berubah. Untuk terjemahan, kenal pasti bahasa sumber dan sasaran, pembaca serta istilah yang perlu dikekalkan. Input ini menjadikan teks yang terhasil lebih mudah dibandingkan dengan keperluan asal. 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\nModel yang sama menyokong mod thinking dan non-thinking. Thinking dihidupkan secara lalai dalam templat yang disediakan. Penyahaktifan tegas membuang bahagian penaakulan; apabila thinking kekal dihidupkan, /think dan /no_think boleh mengubah pilihan antara giliran. Arahan sedemikian yang terkini diutamakan, dan suis pada peringkat prompt itu tidak boleh mengatasi penyahaktifan tegas. Dalam aliran kerja produk, gunakan mod terus untuk penulisan semula ringkas mesej yang diluluskan dan pilih penaakulan bagi percanggahan yang memerlukan penjelasan. Asingkan jawapan akhir daripada penaakulan perantaraan dan kekalkan hanya jawapan akhir dalam sejarah perbualan kemudian. Apabila thinking dihidupkan, permintaan non-thinking melalui arahan lembut masih mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahaktifan tegas membuang blok tersebut.\n\nPengeluar menerangkan panggilan alat dan mengesyorkan Qwen-Agent untuk mengurus templat serta penghuraian. Aplikasi boleh membekalkan takrif alat, melaksanakan panggilan yang diminta dan memulangkan hasilnya. Untuk pembantu sokongan, carian pesanan terhad yang baca sahaja boleh memberikan status penghantaran disahkan sebelum model menggubal respons. Nyatakan medan carian yang dibenarkan dan cara rekod yang tiada patut dilaporkan. Hasil akhir yang berguna ialah balasan berasaskan maklumat yang dipulangkan, bukannya pernyataan tanpa sokongan bahawa operasi luaran berjaya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke dalam perbualan.\n\nKad model menyenaraikan konteks asli 32,768 token dan 131,072 dengan peluasan YaRN. Oleh itu, tingkah laku konteks panjang bergantung pada konfigurasi sebenar. YaRN statik boleh menjejaskan permintaan lebih pendek, jadi kad menasihatkan pengaktifannya apabila konteks panjang diperlukan. Input, sejarah perbualan dan output yang dijana menggunakan bajet konteks bersama. Labelkan bahagian sumber panjang, buang pendua yang tidak berkaitan dan tinggalkan ruang untuk jawapan yang diminta. Contoh penjanaan dan cadangan output yang diterbitkan ialah panduan konfigurasi, bukannya had maksimum output tegas yang berasingan. 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\nUntuk mod thinking, nilai pensampelan yang disyorkan ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; untuk non-thinking nilainya ialah 0.7, 0.8, 20 dan 0. Pengeluar memberi amaran bahawa penaakulan tamak boleh menghasilkan teks berulang. Penalti kehadiran yang lebih tinggi boleh mengurangkan pengulangan, tetapi kadangkala menyebabkan campuran bahasa. Takrifkan format akhir dengan jelas—contohnya, balasan diikuti objek JSON yang mengandungi medan belum diselesaikan—dan sahkan objek itu sebelum digunakan oleh aplikasi. Semak kod yang dicadangkan dengan kes yang dibekalkan dan tinjau terjemahan untuk memastikan istilah dikekalkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
A bilingual reply grounded in a return policy\n\nDraft a German reply to this customer: 'Can I return my unused Aero Cup after ten days?' Policy P1: unused products can be returned within 14 days; the customer must provide the order reference. Keep Aero Cup unchanged and ask for the missing reference. Follow the reply with a short English note naming the facts used.A polite German customer reply and a brief English source-fact note.The reply preserves the unused condition and 14-day window, asks for the reference and does not invent refund timing.qwen3-8bQwen3-8B menawarkan penjanaan teks berbilang bahasa, pengekodan dan dua mod respons dalam model padat dengan 8.2 bilion parameter. Gunakan respons terus untuk dialog harian dan mod berfikir untuk masalah yang memerlukan analisis lebih teliti.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-8B ialah model bahasa padat Qwen3 yang menggabungkan penaakulan dan penjanaan teks biasa. Kekuatan yang diperkenalkan termasuk matematik, penyelesaian masalah logik, kod, penulisan kreatif, dialog berasaskan peranan dan pematuhan arahan merentas beberapa giliran. Keluarga ini menyokong lebih daripada 100 bahasa dan dialek. Penggunaan praktikal ialah pembantu sokongan berbilang bahasa yang menukar mesej pelanggan dan petikan dasar yang dibekalkan kepada balasan berguna, sambil mengekalkan nama produk serta nada yang diminta.
Keluaran ini mempunyai 8.2 bilion parameter, termasuk 6.95 bilion di luar pembenaman, dan 36 lapisan. Model ini menggunakan perhatian pertanyaan berkumpulan dengan 32 kepala pertanyaan dan lapan kepala kunci/nilai. Ini ialah model padat berasingan, bukannya model campuran pakar 235B yang beroperasi dengan lebih sedikit pakar. Input kerja dan hasil yang dijana ialah teks: terjemahan, penjelasan, dokumen yang disemak, pelan atau program. Pilih tugas yang jelas sebelum menambah konteks. Untuk balasan sokongan, berikan mesej pelanggan, dasar yang terpakai, istilah yang diluluskan dan tindakan yang perlu diambil pembaca; minta balasan serta senarai fakta yang masih tiada secara berasingan.
Aliran permulaan pengeluar menggunakan jujukan mesej sembang dan templat sembang yang jelas. Untuk bantuan kod, sertakan fungsi berkaitan, input yang menunjukkan masalah, output sebenar dan hasil yang dijangkakan. Minta fungsi yang dibetulkan berserta contoh, dengan penjelasan berasingan tentang tingkah laku yang berubah. Untuk terjemahan, kenal pasti bahasa sumber dan sasaran, pembaca serta istilah yang perlu dikekalkan. Input ini menjadikan teks yang terhasil lebih mudah dibandingkan dengan keperluan asal. 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.
Model yang sama menyokong mod thinking dan non-thinking. Thinking dihidupkan secara lalai dalam templat yang disediakan. Penyahaktifan tegas membuang bahagian penaakulan; apabila thinking kekal dihidupkan, /think dan /no_think boleh mengubah pilihan antara giliran. Arahan sedemikian yang terkini diutamakan, dan suis pada peringkat prompt itu tidak boleh mengatasi penyahaktifan tegas. Dalam aliran kerja produk, gunakan mod terus untuk penulisan semula ringkas mesej yang diluluskan dan pilih penaakulan bagi percanggahan yang memerlukan penjelasan. Asingkan jawapan akhir daripada penaakulan perantaraan dan kekalkan hanya jawapan akhir dalam sejarah perbualan kemudian. Apabila thinking dihidupkan, permintaan non-thinking melalui arahan lembut masih mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahaktifan tegas membuang blok tersebut.
Pengeluar menerangkan panggilan alat dan mengesyorkan Qwen-Agent untuk mengurus templat serta penghuraian. Aplikasi boleh membekalkan takrif alat, melaksanakan panggilan yang diminta dan memulangkan hasilnya. Untuk pembantu sokongan, carian pesanan terhad yang baca sahaja boleh memberikan status penghantaran disahkan sebelum model menggubal respons. Nyatakan medan carian yang dibenarkan dan cara rekod yang tiada patut dilaporkan. Hasil akhir yang berguna ialah balasan berasaskan maklumat yang dipulangkan, bukannya pernyataan tanpa sokongan bahawa operasi luaran berjaya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke dalam perbualan.
Kad model menyenaraikan konteks asli 32,768 token dan 131,072 dengan peluasan YaRN. Oleh itu, tingkah laku konteks panjang bergantung pada konfigurasi sebenar. YaRN statik boleh menjejaskan permintaan lebih pendek, jadi kad menasihatkan pengaktifannya apabila konteks panjang diperlukan. Input, sejarah perbualan dan output yang dijana menggunakan bajet konteks bersama. Labelkan bahagian sumber panjang, buang pendua yang tidak berkaitan dan tinggalkan ruang untuk jawapan yang diminta. Contoh penjanaan dan cadangan output yang diterbitkan ialah panduan konfigurasi, bukannya had maksimum output tegas yang berasingan. 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.
Untuk mod thinking, nilai pensampelan yang disyorkan ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; untuk non-thinking nilainya ialah 0.7, 0.8, 20 dan 0. Pengeluar memberi amaran bahawa penaakulan tamak boleh menghasilkan teks berulang. Penalti kehadiran yang lebih tinggi boleh mengurangkan pengulangan, tetapi kadangkala menyebabkan campuran bahasa. Takrifkan format akhir dengan jelas—contohnya, balasan diikuti objek JSON yang mengandungi medan belum diselesaikan—dan sahkan objek itu sebelum digunakan oleh aplikasi. Semak kod yang dicadangkan dengan kes yang dibekalkan dan tinjau terjemahan untuk memastikan istilah dikekalkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-8b | 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 $0.000144 / 1K token Output · Token output $0.00144 / 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": "qwen3-8b", "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='qwen3-8b',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='qwen3-8b',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 qwen3-8b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen3-8bQwen3-8B menawarkan penjanaan teks berbilang bahasa, pengekodan dan dua mod respons dalam model padat dengan 8.2 bilion parameter. Gunakan respons terus untuk dialog harian dan mod berfikir untuk masalah yang memerlukan analisis lebih teliti.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-8B ialah model bahasa padat Qwen3 yang menggabungkan penaakulan dan penjanaan teks biasa. Kekuatan yang diperkenalkan termasuk matematik, penyelesaian masalah logik, kod, penulisan kreatif, dialog berasaskan peranan dan pematuhan arahan merentas beberapa giliran. Keluarga ini menyokong lebih daripada 100 bahasa dan dialek. Penggunaan praktikal ialah pembantu sokongan berbilang bahasa yang menukar mesej pelanggan dan petikan dasar yang dibekalkan kepada balasan berguna, sambil mengekalkan nama produk serta nada yang diminta.
Keluaran ini mempunyai 8.2 bilion parameter, termasuk 6.95 bilion di luar pembenaman, dan 36 lapisan. Model ini menggunakan perhatian pertanyaan berkumpulan dengan 32 kepala pertanyaan dan lapan kepala kunci/nilai. Ini ialah model padat berasingan, bukannya model campuran pakar 235B yang beroperasi dengan lebih sedikit pakar. Input kerja dan hasil yang dijana ialah teks: terjemahan, penjelasan, dokumen yang disemak, pelan atau program. Pilih tugas yang jelas sebelum menambah konteks. Untuk balasan sokongan, berikan mesej pelanggan, dasar yang terpakai, istilah yang diluluskan dan tindakan yang perlu diambil pembaca; minta balasan serta senarai fakta yang masih tiada secara berasingan.
Aliran permulaan pengeluar menggunakan jujukan mesej sembang dan templat sembang yang jelas. Untuk bantuan kod, sertakan fungsi berkaitan, input yang menunjukkan masalah, output sebenar dan hasil yang dijangkakan. Minta fungsi yang dibetulkan berserta contoh, dengan penjelasan berasingan tentang tingkah laku yang berubah. Untuk terjemahan, kenal pasti bahasa sumber dan sasaran, pembaca serta istilah yang perlu dikekalkan. Input ini menjadikan teks yang terhasil lebih mudah dibandingkan dengan keperluan asal. 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.
Model yang sama menyokong mod thinking dan non-thinking. Thinking dihidupkan secara lalai dalam templat yang disediakan. Penyahaktifan tegas membuang bahagian penaakulan; apabila thinking kekal dihidupkan, /think dan /no_think boleh mengubah pilihan antara giliran. Arahan sedemikian yang terkini diutamakan, dan suis pada peringkat prompt itu tidak boleh mengatasi penyahaktifan tegas. Dalam aliran kerja produk, gunakan mod terus untuk penulisan semula ringkas mesej yang diluluskan dan pilih penaakulan bagi percanggahan yang memerlukan penjelasan. Asingkan jawapan akhir daripada penaakulan perantaraan dan kekalkan hanya jawapan akhir dalam sejarah perbualan kemudian. Apabila thinking dihidupkan, permintaan non-thinking melalui arahan lembut masih mengekalkan blok penaakulan; kandungannya mungkin kosong. Penyahaktifan tegas membuang blok tersebut.
Pengeluar menerangkan panggilan alat dan mengesyorkan Qwen-Agent untuk mengurus templat serta penghuraian. Aplikasi boleh membekalkan takrif alat, melaksanakan panggilan yang diminta dan memulangkan hasilnya. Untuk pembantu sokongan, carian pesanan terhad yang baca sahaja boleh memberikan status penghantaran disahkan sebelum model menggubal respons. Nyatakan medan carian yang dibenarkan dan cara rekod yang tiada patut dilaporkan. Hasil akhir yang berguna ialah balasan berasaskan maklumat yang dipulangkan, bukannya pernyataan tanpa sokongan bahawa operasi luaran berjaya. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke dalam perbualan.
Kad model menyenaraikan konteks asli 32,768 token dan 131,072 dengan peluasan YaRN. Oleh itu, tingkah laku konteks panjang bergantung pada konfigurasi sebenar. YaRN statik boleh menjejaskan permintaan lebih pendek, jadi kad menasihatkan pengaktifannya apabila konteks panjang diperlukan. Input, sejarah perbualan dan output yang dijana menggunakan bajet konteks bersama. Labelkan bahagian sumber panjang, buang pendua yang tidak berkaitan dan tinggalkan ruang untuk jawapan yang diminta. Contoh penjanaan dan cadangan output yang diterbitkan ialah panduan konfigurasi, bukannya had maksimum output tegas yang berasingan. 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.
Untuk mod thinking, nilai pensampelan yang disyorkan ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; untuk non-thinking nilainya ialah 0.7, 0.8, 20 dan 0. Pengeluar memberi amaran bahawa penaakulan tamak boleh menghasilkan teks berulang. Penalti kehadiran yang lebih tinggi boleh mengurangkan pengulangan, tetapi kadangkala menyebabkan campuran bahasa. Takrifkan format akhir dengan jelas—contohnya, balasan diikuti objek JSON yang mengandungi medan belum diselesaikan—dan sahkan objek itu sebelum digunakan oleh aplikasi. Semak kod yang dicadangkan dengan kes yang dibekalkan dan tinjau terjemahan untuk memastikan istilah dikekalkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-8b | 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 $0.000144 / 1K token Output · Token output $0.00144 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen3-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-8b', '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': 'qwen3-8b', '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 qwen3-8b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
A bilingual reply grounded in a return policy\n\nDraft a German reply to this customer: 'Can I return my unused Aero Cup after ten days?' Policy P1: unused products can be returned within 14 days; the customer must provide the order reference. Keep Aero Cup unchanged and ask for the missing reference. Follow the reply with a short English note naming the facts used.A polite German customer reply and a brief English source-fact note.The reply preserves the unused condition and 14-day window, asks for the reference and does not invent refund timing.