Qwen3-235B-A22B-Thinking-2507 videreutvikler Qwen3s resonnementsgren for komplekse logiske, matematiske, vitenskapelige og programmeringsoppgaver. Qwen oppgir også instruksjonsfølging, verktøybruk, tekstgenerering og langkontekstforståelse som forbedrede områder i denne utgaven. Den tar imot tekstsamtaler og genererer tekst. En nyttig oppgavebeskrivelse gir hele problemet, relevant grunnlag, begrensninger og den presise formen på sluttresultatet: et bevis, en implementasjonsplan, et korrigert program eller en beslutning støttet av oppgitte dokumenter.
Modellen bruker en mixture-of-experts-arkitektur med totalt 235 milliarder parametere og 22 milliarder aktivert per token. Den native konteksten er 262 144 tokener. Denne plassen er nyttig for å samle flere relaterte spesifikasjoner, kildefiler eller forskningsutdrag i én samtale, samtidig som det er plass til modellens resonnement og sluttsvar. Merk dokumenter og kodeblokker, angi hvilke kilder som har prioritet og pek ut delene som er viktige. En programvareanalyse kan for eksempel gi feiloppførselen, forventet oppførsel, relevante funksjoner og begrensninger og be om en foreslått rettelse med forutsetningene oppgitt separat.
Dette er en thinking-only-utgave. Den veksler ikke til den opprinnelige Qwen3-modellens non-thinking-modus. Den offisielle samtalemalen starter resonnementsdelen automatisk, så utdata kan inneholde et avsluttende </think>-merke uten et åpningsmerke i den genererte teksten. Produsentens eksempel skiller resonnementsdelen fra sluttsvaret. For en matematisk oppgave anbefaler Qwen å be om trinnvis resonnement og et sluttsvar i \\boxed{}. For en flervalgsoppgave foreslår den et svarfelt som bare inneholder valgt bokstav. Disse instruksjonene gjør resultatet lettere å lese eller behandle etter at resonnementet er ferdig.
Qwens genereringsveiledning anbefaler temperature 0,6, top-p 0,95, top-k 20 og min-p 0. Den anbefaler et utdatarom på 32 768 tokener for de fleste spørsmål og beskriver 81 920 tokener for særlig krevende matematikk- og programmeringsproblemer. Tallene er produsentanbefalinger for generering, ikke en separat garantert svargrense. Lengre resonnement trenger plass før sluttsvaret: Et for lite rom kan avslutte svaret før den etterspurte konklusjonen. I senere samtaleturer beholder den offisielle veiledningen sluttsvaret i historikken og utelater tidligere thinking-innhold.
For agentarbeid anbefaler Qwen Qwen-Agent, som gir maler og tolking av verktøykall. Eksemplene kombinerer definerte verktøy som informasjonsinnhenting og en kodefortolker med modellens samtale. Forbered tilgjengelige verktøybeskrivelser, oppgavens stoppbetingelse og det nødvendige resultatet før du ber den planlegge verktøybruk. En praktisk forskningsoppgave kan be den samle angitt grunnlag, sammenligne konkurrerende forklaringer og returnere en konklusjon med grunnlaget organisert etter kilde. Verktøykall beskriver arbeid en applikasjon skal utføre; modellens tekst alene er ikke den eksterne handlingen eller resultatet.
Det offisielle kortet beskriver også en valgfri kontekstutvidelse til omtrent én million tokener med en separat konfigurasjon, Dual Chunk Attention og sparse attention. Dette er forskjellig fra det native vinduet på 262 144 tokener og avhenger av den foreskrevne implementasjonen og betydelige minneressurser. Produsenten advarer om at kontekst- og minnebegrensninger kan kreve kortere sekvenser. For vanlig arbeid med lange dokumenter organiserer du inndata rundt det faktiske spørsmålet, beholder dokumentgrensene og ber om en kort endelig syntese med uavklart grunnlag identifisert. Dette skiller det nyttige resultatet fra den potensielt lange resonnementsprosessen.
", "aboutText": "Qwen3-235B-A22B-Thinking-2507 videreutvikler Qwen3s resonnementsgren for komplekse logiske, matematiske, vitenskapelige og programmeringsoppgaver. Qwen oppgir også instruksjonsfølging, verktøybruk, tekstgenerering og langkontekstforståelse som forbedrede områder i denne utgaven. Den tar imot tekstsamtaler og genererer tekst. En nyttig oppgavebeskrivelse gir hele problemet, relevant grunnlag, begrensninger og den presise formen på sluttresultatet: et bevis, en implementasjonsplan, et korrigert program eller en beslutning støttet av oppgitte dokumenter.\n\nModellen bruker en mixture-of-experts-arkitektur med totalt 235 milliarder parametere og 22 milliarder aktivert per token. Den native konteksten er 262 144 tokener. Denne plassen er nyttig for å samle flere relaterte spesifikasjoner, kildefiler eller forskningsutdrag i én samtale, samtidig som det er plass til modellens resonnement og sluttsvar. Merk dokumenter og kodeblokker, angi hvilke kilder som har prioritet og pek ut delene som er viktige. En programvareanalyse kan for eksempel gi feiloppførselen, forventet oppførsel, relevante funksjoner og begrensninger og be om en foreslått rettelse med forutsetningene oppgitt separat.\n\nDette er en thinking-only-utgave. Den veksler ikke til den opprinnelige Qwen3-modellens non-thinking-modus. Den offisielle samtalemalen starter resonnementsdelen automatisk, så utdata kan inneholde et avsluttende -merke uten et åpningsmerke i den genererte teksten. Produsentens eksempel skiller resonnementsdelen fra sluttsvaret. For en matematisk oppgave anbefaler Qwen å be om trinnvis resonnement og et sluttsvar i \\boxed{}. For en flervalgsoppgave foreslår den et svarfelt som bare inneholder valgt bokstav. Disse instruksjonene gjør resultatet lettere å lese eller behandle etter at resonnementet er ferdig.\n\nQwens genereringsveiledning anbefaler temperature 0,6, top-p 0,95, top-k 20 og min-p 0. Den anbefaler et utdatarom på 32 768 tokener for de fleste spørsmål og beskriver 81 920 tokener for særlig krevende matematikk- og programmeringsproblemer. Tallene er produsentanbefalinger for generering, ikke en separat garantert svargrense. Lengre resonnement trenger plass før sluttsvaret: Et for lite rom kan avslutte svaret før den etterspurte konklusjonen. I senere samtaleturer beholder den offisielle veiledningen sluttsvaret i historikken og utelater tidligere thinking-innhold.\n\nFor agentarbeid anbefaler Qwen Qwen-Agent, som gir maler og tolking av verktøykall. Eksemplene kombinerer definerte verktøy som informasjonsinnhenting og en kodefortolker med modellens samtale. Forbered tilgjengelige verktøybeskrivelser, oppgavens stoppbetingelse og det nødvendige resultatet før du ber den planlegge verktøybruk. En praktisk forskningsoppgave kan be den samle angitt grunnlag, sammenligne konkurrerende forklaringer og returnere en konklusjon med grunnlaget organisert etter kilde. Verktøykall beskriver arbeid en applikasjon skal utføre; modellens tekst alene er ikke den eksterne handlingen eller resultatet.\n\nDet offisielle kortet beskriver også en valgfri kontekstutvidelse til omtrent én million tokener med en separat konfigurasjon, Dual Chunk Attention og sparse attention. Dette er forskjellig fra det native vinduet på 262 144 tokener og avhenger av den foreskrevne implementasjonen og betydelige minneressurser. Produsenten advarer om at kontekst- og minnebegrensninger kan kreve kortere sekvenser. For vanlig arbeid med lange dokumenter organiserer du inndata rundt det faktiske spørsmålet, beholder dokumentgrensene og ber om en kort endelig syntese med uavklart grunnlag identifisert. Dette skiller det nyttige resultatet fra den potensielt lange resonnementsprosessen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 er Qwens tekstmodell med bare resonnementsmodus for krevende matematikk, vitenskap, koding og analyse av lange dokumenter. Den native konteksten på 262 144 tokener og utvidet resonnement passer problemer som trenger flere sammenhengende trinn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-235B-A22B-Thinking-2507 videreutvikler Qwen3s resonnementsgren for komplekse logiske, matematiske, vitenskapelige og programmeringsoppgaver. Qwen oppgir også instruksjonsfølging, verktøybruk, tekstgenerering og langkontekstforståelse som forbedrede områder i denne utgaven. Den tar imot tekstsamtaler og genererer tekst. En nyttig oppgavebeskrivelse gir hele problemet, relevant grunnlag, begrensninger og den presise formen på sluttresultatet: et bevis, en implementasjonsplan, et korrigert program eller en beslutning støttet av oppgitte dokumenter.
Modellen bruker en mixture-of-experts-arkitektur med totalt 235 milliarder parametere og 22 milliarder aktivert per token. Den native konteksten er 262 144 tokener. Denne plassen er nyttig for å samle flere relaterte spesifikasjoner, kildefiler eller forskningsutdrag i én samtale, samtidig som det er plass til modellens resonnement og sluttsvar. Merk dokumenter og kodeblokker, angi hvilke kilder som har prioritet og pek ut delene som er viktige. En programvareanalyse kan for eksempel gi feiloppførselen, forventet oppførsel, relevante funksjoner og begrensninger og be om en foreslått rettelse med forutsetningene oppgitt separat.
Dette er en thinking-only-utgave. Den veksler ikke til den opprinnelige Qwen3-modellens non-thinking-modus. Den offisielle samtalemalen starter resonnementsdelen automatisk, så utdata kan inneholde et avsluttende </think>-merke uten et åpningsmerke i den genererte teksten. Produsentens eksempel skiller resonnementsdelen fra sluttsvaret. For en matematisk oppgave anbefaler Qwen å be om trinnvis resonnement og et sluttsvar i \\boxed{}. For en flervalgsoppgave foreslår den et svarfelt som bare inneholder valgt bokstav. Disse instruksjonene gjør resultatet lettere å lese eller behandle etter at resonnementet er ferdig.
Qwens genereringsveiledning anbefaler temperature 0,6, top-p 0,95, top-k 20 og min-p 0. Den anbefaler et utdatarom på 32 768 tokener for de fleste spørsmål og beskriver 81 920 tokener for særlig krevende matematikk- og programmeringsproblemer. Tallene er produsentanbefalinger for generering, ikke en separat garantert svargrense. Lengre resonnement trenger plass før sluttsvaret: Et for lite rom kan avslutte svaret før den etterspurte konklusjonen. I senere samtaleturer beholder den offisielle veiledningen sluttsvaret i historikken og utelater tidligere thinking-innhold.
For agentarbeid anbefaler Qwen Qwen-Agent, som gir maler og tolking av verktøykall. Eksemplene kombinerer definerte verktøy som informasjonsinnhenting og en kodefortolker med modellens samtale. Forbered tilgjengelige verktøybeskrivelser, oppgavens stoppbetingelse og det nødvendige resultatet før du ber den planlegge verktøybruk. En praktisk forskningsoppgave kan be den samle angitt grunnlag, sammenligne konkurrerende forklaringer og returnere en konklusjon med grunnlaget organisert etter kilde. Verktøykall beskriver arbeid en applikasjon skal utføre; modellens tekst alene er ikke den eksterne handlingen eller resultatet.
Det offisielle kortet beskriver også en valgfri kontekstutvidelse til omtrent én million tokener med en separat konfigurasjon, Dual Chunk Attention og sparse attention. Dette er forskjellig fra det native vinduet på 262 144 tokener og avhenger av den foreskrevne implementasjonen og betydelige minneressurser. Produsenten advarer om at kontekst- og minnebegrensninger kan kreve kortere sekvenser. For vanlig arbeid med lange dokumenter organiserer du inndata rundt det faktiske spørsmålet, beholder dokumentgrensene og ber om en kort endelig syntese med uavklart grunnlag identifisert. Dette skiller det nyttige resultatet fra den potensielt lange resonnementsprosessen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-235b-a22b-thinking-2507 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0009 / 1K tokener Utdata · Utgående tokener $0.007 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0009 / 1K tokener Utdata · Utgående tokener $0.007 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-thinking-2507", "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='qwen/qwen3-235b-a22b-thinking-2507',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='qwen/qwen3-235b-a22b-thinking-2507',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
Bruk metodestiene som vises ovenfor.
qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 er Qwens tekstmodell med bare resonnementsmodus for krevende matematikk, vitenskap, koding og analyse av lange dokumenter. Den native konteksten på 262 144 tokener og utvidet resonnement passer problemer som trenger flere sammenhengende trinn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-235B-A22B-Thinking-2507 videreutvikler Qwen3s resonnementsgren for komplekse logiske, matematiske, vitenskapelige og programmeringsoppgaver. Qwen oppgir også instruksjonsfølging, verktøybruk, tekstgenerering og langkontekstforståelse som forbedrede områder i denne utgaven. Den tar imot tekstsamtaler og genererer tekst. En nyttig oppgavebeskrivelse gir hele problemet, relevant grunnlag, begrensninger og den presise formen på sluttresultatet: et bevis, en implementasjonsplan, et korrigert program eller en beslutning støttet av oppgitte dokumenter.
Modellen bruker en mixture-of-experts-arkitektur med totalt 235 milliarder parametere og 22 milliarder aktivert per token. Den native konteksten er 262 144 tokener. Denne plassen er nyttig for å samle flere relaterte spesifikasjoner, kildefiler eller forskningsutdrag i én samtale, samtidig som det er plass til modellens resonnement og sluttsvar. Merk dokumenter og kodeblokker, angi hvilke kilder som har prioritet og pek ut delene som er viktige. En programvareanalyse kan for eksempel gi feiloppførselen, forventet oppførsel, relevante funksjoner og begrensninger og be om en foreslått rettelse med forutsetningene oppgitt separat.
Dette er en thinking-only-utgave. Den veksler ikke til den opprinnelige Qwen3-modellens non-thinking-modus. Den offisielle samtalemalen starter resonnementsdelen automatisk, så utdata kan inneholde et avsluttende </think>-merke uten et åpningsmerke i den genererte teksten. Produsentens eksempel skiller resonnementsdelen fra sluttsvaret. For en matematisk oppgave anbefaler Qwen å be om trinnvis resonnement og et sluttsvar i \\boxed{}. For en flervalgsoppgave foreslår den et svarfelt som bare inneholder valgt bokstav. Disse instruksjonene gjør resultatet lettere å lese eller behandle etter at resonnementet er ferdig.
Qwens genereringsveiledning anbefaler temperature 0,6, top-p 0,95, top-k 20 og min-p 0. Den anbefaler et utdatarom på 32 768 tokener for de fleste spørsmål og beskriver 81 920 tokener for særlig krevende matematikk- og programmeringsproblemer. Tallene er produsentanbefalinger for generering, ikke en separat garantert svargrense. Lengre resonnement trenger plass før sluttsvaret: Et for lite rom kan avslutte svaret før den etterspurte konklusjonen. I senere samtaleturer beholder den offisielle veiledningen sluttsvaret i historikken og utelater tidligere thinking-innhold.
For agentarbeid anbefaler Qwen Qwen-Agent, som gir maler og tolking av verktøykall. Eksemplene kombinerer definerte verktøy som informasjonsinnhenting og en kodefortolker med modellens samtale. Forbered tilgjengelige verktøybeskrivelser, oppgavens stoppbetingelse og det nødvendige resultatet før du ber den planlegge verktøybruk. En praktisk forskningsoppgave kan be den samle angitt grunnlag, sammenligne konkurrerende forklaringer og returnere en konklusjon med grunnlaget organisert etter kilde. Verktøykall beskriver arbeid en applikasjon skal utføre; modellens tekst alene er ikke den eksterne handlingen eller resultatet.
Det offisielle kortet beskriver også en valgfri kontekstutvidelse til omtrent én million tokener med en separat konfigurasjon, Dual Chunk Attention og sparse attention. Dette er forskjellig fra det native vinduet på 262 144 tokener og avhenger av den foreskrevne implementasjonen og betydelige minneressurser. Produsenten advarer om at kontekst- og minnebegrensninger kan kreve kortere sekvenser. For vanlig arbeid med lange dokumenter organiserer du inndata rundt det faktiske spørsmålet, beholder dokumentgrensene og ber om en kort endelig syntese med uavklart grunnlag identifisert. Dette skiller det nyttige resultatet fra den potensielt lange resonnementsprosessen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-235b-a22b-thinking-2507 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0009 / 1K tokener Utdata · Utgående tokener $0.007 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0009 / 1K tokener Utdata · Utgående tokener $0.007 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-235b-a22b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen3-235b-a22b-thinking-2507', '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': 'qwen/qwen3-235b-a22b-thinking-2507', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.