Høydepunkter: den faste Instruct-2507-oppdateringen
Qwen3-30B-A3B-Instruct-2507 er den oppdaterte non-thinking-utgaven av Qwen3-30B-A3B. Produsenten fremhever forbedringer i instruksjonsfølging, logisk resonnering, tekstforståelse, matematikk, naturvitenskap, programmering og verktøybruk, med bredere kunnskap om mindre vanlige emner på flere språk og bedre tilpasning til åpne oppgaver. Den tar imot tekst og produserer tekst: et svar, en forklaring, et kodeforslag eller et tekstarbeid i ønsket form.
Skill den faste 2507-utgaven fra den opprinnelige hybride Qwen3-30B-A3B, FP8-utgaven og Thinking-2507-utgaven. Beskrivelsen av modellens flerspråklige kunnskap gir ingen egen garanti for antall språk i denne versjonen. Oppgi målspråk, målgruppe og begreper som skal stå uendret når oppgaven gjelder oversettelse eller omskriving.
Modelloversikt
Denne mixture-of-experts-modellen har totalt 30,5 milliarder parametere og aktiverer 3,3 milliarder. Den har 48 lag, 128 eksperter og åtte eksperter som velges per token. Den native konteksten er 262 144 tokener. Antallet aktiverte parametere er ikke størrelsen på hele sjekkpunktet, og arkitekturen alene fastslår ingen bestemt svartid i en applikasjon.
Denne utgaven støtter bare non-thinking-modus og genererer ikke eksplisitte thinking-blokker. Innstillingen enable_thinking=False er unødvendig i produsentens oppskrift. Modellen kan fortsatt vise beregninger eller forklare kode i vanlig tekst; en forespørsel om underbyggende steg gjør den ikke til det separate Thinking-sjekkpunktet.
Slik forbereder du en nyttig tekstforespørsel
For en programmeringsoppgave bør du legge ved den relevante funksjonen eller modulen, begrensninger for inndata, observert oppførsel og ønsket resultat. Be om et forslag til en kodeendring eller en komplett funksjon med en forklaring av forutsetningene som berøres. For et matematisk eller naturvitenskapelig spørsmål bør du gi hele oppgaveteksten, enheter og definisjoner, og deretter be om et tydelig avgrenset sluttsvar som er underbygd av de oppgitte betingelsene.
For en åpen skriveoppgave bør du oppgi målgruppe, formål, tone og informasjon som må være med. Et nyttig svar kan være et redigerbart utkast organisert etter de ønskede delene, der antakelser uten dekning markeres separat. Sammenlign utkastet, beregningene eller kodeforslaget som returneres, med de oppgitte faktaene, definisjonene og kravene.
Bruk som agent
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent for maler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. Oppgi hvilke handlinger som er tillatt, og hvilke observerbare betingelser som betyr at oppgaven er fullført. Tilkoblede verktøy utfører eksterne operasjoner og returnerer observasjoner; modellen kan bruke disse tilbakemeldingene i et senere svar. En foreslått kommando eller en påstand om en hentet kilde bør holdes atskilt fra et resultat som arbeidsflyten faktisk har returnert.
Et tydelig sluttprodukt kan være et kodeforslag, en evidenstabell eller en kortfattet rapport. Verktøystøtte gir ikke i seg selv tilgang til oppdaterte kilder, filer eller et kjøremiljø gjennom alle grensesnitt. Behold den aktuelle modellens non-thinking-responskontrakt fremfor å overføre promptbrytere fra en hybridmodell eller tillatt utdatamengde fra en Thinking-utgave.
Behandling av svært lange tekster
Produsenten dokumenterer en valgfri arbeidsflyt som når omtrent én million tokener gjennom Dual Chunk Attention og MInference sparse attention. Den første deler en lang sekvens i håndterbare deler samtidig som samspillet mellom delene bevares; den andre konsentrerer beregningene om utvalgte oppmerksomhetsrelasjoner. Dette er en ekstra konfigurasjonsmulighet utover den native konteksten på 262 144, med en særskilt konfigurasjon for lang kontekst.
Oppskriften anslår omtrent 240 GB samlet GPU-minne til modellvekter, mellomlagret sekvenstilstand og aktiveringer ved toppbelastning. Den beskriver også separate kapasitetsfeil knyttet til sekvensbufferen, aktiveringsminnet eller inndata som overskrider den konfigurerte lengden. Arbeidsflyten med én million tokener avhenger derfor av konfigurasjon og ressurser; dette hovedtallet bør ikke behandles som en ubetinget standard.
Forbered lange inndata med dokumentgrenser, seksjonsnavn eller kodeidentifikatorer og et konkret spørsmål. Sett av plass til svaret, og be om dokumentasjonen som underbygger hver konklusjon.
Anbefalinger for generering
Best Practices anbefaler temperature 0,7, top_p 0,8, top_k 20 og min_p 0. Der det støttes, kan en presence penalty mellom null og to redusere gjentakelser, mens høyere verdier kan føre til språkblanding eller noe lavere kvalitet. Produsenten anbefaler å sette av 16 384 tokener til utdata for de fleste spørsmål, fremfor de større budsjettene som er dokumentert for Thinking-2507. Dette er en anbefaling, ikke en separat fastslått absolutt grense for utdata.
Oppgi sluttformatet eksplisitt, for eksempel en matematisk avgrensning eller et svarfelt. Modellens dokumenterte inndata er tekst, så visuelt materiale eller lydmateriale krever en egnet separat representasjon før det brukes i denne arbeidsflyten. Kontroller beregninger, sitater og generert kode mot kilden. Det nyttige resultatet er et komplett tekstprodukt som kan gjennomgås, der den faste Instruct-2507-identiteten, non-thinking-modusen og den betingede fremgangsmåten for lang kontekst fortsatt er tydelige.
", "aboutText": "Høydepunkter: den faste Instruct-2507-oppdateringen\n\nQwen3-30B-A3B-Instruct-2507 er den oppdaterte non-thinking-utgaven av Qwen3-30B-A3B. Produsenten fremhever forbedringer i instruksjonsfølging, logisk resonnering, tekstforståelse, matematikk, naturvitenskap, programmering og verktøybruk, med bredere kunnskap om mindre vanlige emner på flere språk og bedre tilpasning til åpne oppgaver. Den tar imot tekst og produserer tekst: et svar, en forklaring, et kodeforslag eller et tekstarbeid i ønsket form.\n\nSkill den faste 2507-utgaven fra den opprinnelige hybride Qwen3-30B-A3B, FP8-utgaven og Thinking-2507-utgaven. Beskrivelsen av modellens flerspråklige kunnskap gir ingen egen garanti for antall språk i denne versjonen. Oppgi målspråk, målgruppe og begreper som skal stå uendret når oppgaven gjelder oversettelse eller omskriving.\n\nModelloversikt\n\nDenne mixture-of-experts-modellen har totalt 30,5 milliarder parametere og aktiverer 3,3 milliarder. Den har 48 lag, 128 eksperter og åtte eksperter som velges per token. Den native konteksten er 262 144 tokener. Antallet aktiverte parametere er ikke størrelsen på hele sjekkpunktet, og arkitekturen alene fastslår ingen bestemt svartid i en applikasjon.\n\nDenne utgaven støtter bare non-thinking-modus og genererer ikke eksplisitte thinking-blokker. Innstillingen enable_thinking=False er unødvendig i produsentens oppskrift. Modellen kan fortsatt vise beregninger eller forklare kode i vanlig tekst; en forespørsel om underbyggende steg gjør den ikke til det separate Thinking-sjekkpunktet.\n\nSlik forbereder du en nyttig tekstforespørsel\n\nFor en programmeringsoppgave bør du legge ved den relevante funksjonen eller modulen, begrensninger for inndata, observert oppførsel og ønsket resultat. Be om et forslag til en kodeendring eller en komplett funksjon med en forklaring av forutsetningene som berøres. For et matematisk eller naturvitenskapelig spørsmål bør du gi hele oppgaveteksten, enheter og definisjoner, og deretter be om et tydelig avgrenset sluttsvar som er underbygd av de oppgitte betingelsene.\n\nFor en åpen skriveoppgave bør du oppgi målgruppe, formål, tone og informasjon som må være med. Et nyttig svar kan være et redigerbart utkast organisert etter de ønskede delene, der antakelser uten dekning markeres separat. Sammenlign utkastet, beregningene eller kodeforslaget som returneres, med de oppgitte faktaene, definisjonene og kravene.\n\nBruk som agent\n\nQwen dokumenterer verktøykall og anbefaler Qwen-Agent for maler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. Oppgi hvilke handlinger som er tillatt, og hvilke observerbare betingelser som betyr at oppgaven er fullført. Tilkoblede verktøy utfører eksterne operasjoner og returnerer observasjoner; modellen kan bruke disse tilbakemeldingene i et senere svar. En foreslått kommando eller en påstand om en hentet kilde bør holdes atskilt fra et resultat som arbeidsflyten faktisk har returnert.\n\nEt tydelig sluttprodukt kan være et kodeforslag, en evidenstabell eller en kortfattet rapport. Verktøystøtte gir ikke i seg selv tilgang til oppdaterte kilder, filer eller et kjøremiljø gjennom alle grensesnitt. Behold den aktuelle modellens non-thinking-responskontrakt fremfor å overføre promptbrytere fra en hybridmodell eller tillatt utdatamengde fra en Thinking-utgave.\n\nBehandling av svært lange tekster\n\nProdusenten dokumenterer en valgfri arbeidsflyt som når omtrent én million tokener gjennom Dual Chunk Attention og MInference sparse attention. Den første deler en lang sekvens i håndterbare deler samtidig som samspillet mellom delene bevares; den andre konsentrerer beregningene om utvalgte oppmerksomhetsrelasjoner. Dette er en ekstra konfigurasjonsmulighet utover den native konteksten på 262 144, med en særskilt konfigurasjon for lang kontekst.\n\nOppskriften anslår omtrent 240 GB samlet GPU-minne til modellvekter, mellomlagret sekvenstilstand og aktiveringer ved toppbelastning. Den beskriver også separate kapasitetsfeil knyttet til sekvensbufferen, aktiveringsminnet eller inndata som overskrider den konfigurerte lengden. Arbeidsflyten med én million tokener avhenger derfor av konfigurasjon og ressurser; dette hovedtallet bør ikke behandles som en ubetinget standard.\n\nForbered lange inndata med dokumentgrenser, seksjonsnavn eller kodeidentifikatorer og et konkret spørsmål. Sett av plass til svaret, og be om dokumentasjonen som underbygger hver konklusjon.\n\nAnbefalinger for generering\n\nBest Practices anbefaler temperature 0,7, top_p 0,8, top_k 20 og min_p 0. Der det støttes, kan en presence penalty mellom null og to redusere gjentakelser, mens høyere verdier kan føre til språkblanding eller noe lavere kvalitet. Produsenten anbefaler å sette av 16 384 tokener til utdata for de fleste spørsmål, fremfor de større budsjettene som er dokumentert for Thinking-2507. Dette er en anbefaling, ikke en separat fastslått absolutt grense for utdata.\n\nOppgi sluttformatet eksplisitt, for eksempel en matematisk avgrensning eller et svarfelt. Modellens dokumenterte inndata er tekst, så visuelt materiale eller lydmateriale krever en egnet separat representasjon før det brukes i denne arbeidsflyten. Kontroller beregninger, sitater og generert kode mot kilden. Det nyttige resultatet er et komplett tekstprodukt som kan gjennomgås, der den faste Instruct-2507-identiteten, non-thinking-modusen og den betingede fremgangsmåten for lang kontekst fortsatt er tydelige.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 er Qwens faste non-thinking-tekstutgave fra juli 2507, med totalt 30,5 milliarder parametere og 3,3 milliarder aktive. Den forbedrer instruksjonsfølging, koding, flerspråklig kunnskap og åpen skriving, med en nativ kontekst på 262 144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Høydepunkter: den faste Instruct-2507-oppdateringen
Qwen3-30B-A3B-Instruct-2507 er den oppdaterte non-thinking-utgaven av Qwen3-30B-A3B. Produsenten fremhever forbedringer i instruksjonsfølging, logisk resonnering, tekstforståelse, matematikk, naturvitenskap, programmering og verktøybruk, med bredere kunnskap om mindre vanlige emner på flere språk og bedre tilpasning til åpne oppgaver. Den tar imot tekst og produserer tekst: et svar, en forklaring, et kodeforslag eller et tekstarbeid i ønsket form.
Skill den faste 2507-utgaven fra den opprinnelige hybride Qwen3-30B-A3B, FP8-utgaven og Thinking-2507-utgaven. Beskrivelsen av modellens flerspråklige kunnskap gir ingen egen garanti for antall språk i denne versjonen. Oppgi målspråk, målgruppe og begreper som skal stå uendret når oppgaven gjelder oversettelse eller omskriving.
Modelloversikt
Denne mixture-of-experts-modellen har totalt 30,5 milliarder parametere og aktiverer 3,3 milliarder. Den har 48 lag, 128 eksperter og åtte eksperter som velges per token. Den native konteksten er 262 144 tokener. Antallet aktiverte parametere er ikke størrelsen på hele sjekkpunktet, og arkitekturen alene fastslår ingen bestemt svartid i en applikasjon.
Denne utgaven støtter bare non-thinking-modus og genererer ikke eksplisitte thinking-blokker. Innstillingen enable_thinking=False er unødvendig i produsentens oppskrift. Modellen kan fortsatt vise beregninger eller forklare kode i vanlig tekst; en forespørsel om underbyggende steg gjør den ikke til det separate Thinking-sjekkpunktet.
Slik forbereder du en nyttig tekstforespørsel
For en programmeringsoppgave bør du legge ved den relevante funksjonen eller modulen, begrensninger for inndata, observert oppførsel og ønsket resultat. Be om et forslag til en kodeendring eller en komplett funksjon med en forklaring av forutsetningene som berøres. For et matematisk eller naturvitenskapelig spørsmål bør du gi hele oppgaveteksten, enheter og definisjoner, og deretter be om et tydelig avgrenset sluttsvar som er underbygd av de oppgitte betingelsene.
For en åpen skriveoppgave bør du oppgi målgruppe, formål, tone og informasjon som må være med. Et nyttig svar kan være et redigerbart utkast organisert etter de ønskede delene, der antakelser uten dekning markeres separat. Sammenlign utkastet, beregningene eller kodeforslaget som returneres, med de oppgitte faktaene, definisjonene og kravene.
Bruk som agent
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent for maler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. Oppgi hvilke handlinger som er tillatt, og hvilke observerbare betingelser som betyr at oppgaven er fullført. Tilkoblede verktøy utfører eksterne operasjoner og returnerer observasjoner; modellen kan bruke disse tilbakemeldingene i et senere svar. En foreslått kommando eller en påstand om en hentet kilde bør holdes atskilt fra et resultat som arbeidsflyten faktisk har returnert.
Et tydelig sluttprodukt kan være et kodeforslag, en evidenstabell eller en kortfattet rapport. Verktøystøtte gir ikke i seg selv tilgang til oppdaterte kilder, filer eller et kjøremiljø gjennom alle grensesnitt. Behold den aktuelle modellens non-thinking-responskontrakt fremfor å overføre promptbrytere fra en hybridmodell eller tillatt utdatamengde fra en Thinking-utgave.
Behandling av svært lange tekster
Produsenten dokumenterer en valgfri arbeidsflyt som når omtrent én million tokener gjennom Dual Chunk Attention og MInference sparse attention. Den første deler en lang sekvens i håndterbare deler samtidig som samspillet mellom delene bevares; den andre konsentrerer beregningene om utvalgte oppmerksomhetsrelasjoner. Dette er en ekstra konfigurasjonsmulighet utover den native konteksten på 262 144, med en særskilt konfigurasjon for lang kontekst.
Oppskriften anslår omtrent 240 GB samlet GPU-minne til modellvekter, mellomlagret sekvenstilstand og aktiveringer ved toppbelastning. Den beskriver også separate kapasitetsfeil knyttet til sekvensbufferen, aktiveringsminnet eller inndata som overskrider den konfigurerte lengden. Arbeidsflyten med én million tokener avhenger derfor av konfigurasjon og ressurser; dette hovedtallet bør ikke behandles som en ubetinget standard.
Forbered lange inndata med dokumentgrenser, seksjonsnavn eller kodeidentifikatorer og et konkret spørsmål. Sett av plass til svaret, og be om dokumentasjonen som underbygger hver konklusjon.
Anbefalinger for generering
Best Practices anbefaler temperature 0,7, top_p 0,8, top_k 20 og min_p 0. Der det støttes, kan en presence penalty mellom null og to redusere gjentakelser, mens høyere verdier kan føre til språkblanding eller noe lavere kvalitet. Produsenten anbefaler å sette av 16 384 tokener til utdata for de fleste spørsmål, fremfor de større budsjettene som er dokumentert for Thinking-2507. Dette er en anbefaling, ikke en separat fastslått absolutt grense for utdata.
Oppgi sluttformatet eksplisitt, for eksempel en matematisk avgrensning eller et svarfelt. Modellens dokumenterte inndata er tekst, så visuelt materiale eller lydmateriale krever en egnet separat representasjon før det brukes i denne arbeidsflyten. Kontroller beregninger, sitater og generert kode mot kilden. Det nyttige resultatet er et komplett tekstprodukt som kan gjennomgås, der den faste Instruct-2507-identiteten, non-thinking-modusen og den betingede fremgangsmåten for lang kontekst fortsatt er tydelige.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-30b-a3b-instruct-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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-2507
Bruk metodestiene som vises ovenfor.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 er Qwens faste non-thinking-tekstutgave fra juli 2507, med totalt 30,5 milliarder parametere og 3,3 milliarder aktive. Den forbedrer instruksjonsfølging, koding, flerspråklig kunnskap og åpen skriving, med en nativ kontekst på 262 144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Høydepunkter: den faste Instruct-2507-oppdateringen
Qwen3-30B-A3B-Instruct-2507 er den oppdaterte non-thinking-utgaven av Qwen3-30B-A3B. Produsenten fremhever forbedringer i instruksjonsfølging, logisk resonnering, tekstforståelse, matematikk, naturvitenskap, programmering og verktøybruk, med bredere kunnskap om mindre vanlige emner på flere språk og bedre tilpasning til åpne oppgaver. Den tar imot tekst og produserer tekst: et svar, en forklaring, et kodeforslag eller et tekstarbeid i ønsket form.
Skill den faste 2507-utgaven fra den opprinnelige hybride Qwen3-30B-A3B, FP8-utgaven og Thinking-2507-utgaven. Beskrivelsen av modellens flerspråklige kunnskap gir ingen egen garanti for antall språk i denne versjonen. Oppgi målspråk, målgruppe og begreper som skal stå uendret når oppgaven gjelder oversettelse eller omskriving.
Modelloversikt
Denne mixture-of-experts-modellen har totalt 30,5 milliarder parametere og aktiverer 3,3 milliarder. Den har 48 lag, 128 eksperter og åtte eksperter som velges per token. Den native konteksten er 262 144 tokener. Antallet aktiverte parametere er ikke størrelsen på hele sjekkpunktet, og arkitekturen alene fastslår ingen bestemt svartid i en applikasjon.
Denne utgaven støtter bare non-thinking-modus og genererer ikke eksplisitte thinking-blokker. Innstillingen enable_thinking=False er unødvendig i produsentens oppskrift. Modellen kan fortsatt vise beregninger eller forklare kode i vanlig tekst; en forespørsel om underbyggende steg gjør den ikke til det separate Thinking-sjekkpunktet.
Slik forbereder du en nyttig tekstforespørsel
For en programmeringsoppgave bør du legge ved den relevante funksjonen eller modulen, begrensninger for inndata, observert oppførsel og ønsket resultat. Be om et forslag til en kodeendring eller en komplett funksjon med en forklaring av forutsetningene som berøres. For et matematisk eller naturvitenskapelig spørsmål bør du gi hele oppgaveteksten, enheter og definisjoner, og deretter be om et tydelig avgrenset sluttsvar som er underbygd av de oppgitte betingelsene.
For en åpen skriveoppgave bør du oppgi målgruppe, formål, tone og informasjon som må være med. Et nyttig svar kan være et redigerbart utkast organisert etter de ønskede delene, der antakelser uten dekning markeres separat. Sammenlign utkastet, beregningene eller kodeforslaget som returneres, med de oppgitte faktaene, definisjonene og kravene.
Bruk som agent
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent for maler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. Oppgi hvilke handlinger som er tillatt, og hvilke observerbare betingelser som betyr at oppgaven er fullført. Tilkoblede verktøy utfører eksterne operasjoner og returnerer observasjoner; modellen kan bruke disse tilbakemeldingene i et senere svar. En foreslått kommando eller en påstand om en hentet kilde bør holdes atskilt fra et resultat som arbeidsflyten faktisk har returnert.
Et tydelig sluttprodukt kan være et kodeforslag, en evidenstabell eller en kortfattet rapport. Verktøystøtte gir ikke i seg selv tilgang til oppdaterte kilder, filer eller et kjøremiljø gjennom alle grensesnitt. Behold den aktuelle modellens non-thinking-responskontrakt fremfor å overføre promptbrytere fra en hybridmodell eller tillatt utdatamengde fra en Thinking-utgave.
Behandling av svært lange tekster
Produsenten dokumenterer en valgfri arbeidsflyt som når omtrent én million tokener gjennom Dual Chunk Attention og MInference sparse attention. Den første deler en lang sekvens i håndterbare deler samtidig som samspillet mellom delene bevares; den andre konsentrerer beregningene om utvalgte oppmerksomhetsrelasjoner. Dette er en ekstra konfigurasjonsmulighet utover den native konteksten på 262 144, med en særskilt konfigurasjon for lang kontekst.
Oppskriften anslår omtrent 240 GB samlet GPU-minne til modellvekter, mellomlagret sekvenstilstand og aktiveringer ved toppbelastning. Den beskriver også separate kapasitetsfeil knyttet til sekvensbufferen, aktiveringsminnet eller inndata som overskrider den konfigurerte lengden. Arbeidsflyten med én million tokener avhenger derfor av konfigurasjon og ressurser; dette hovedtallet bør ikke behandles som en ubetinget standard.
Forbered lange inndata med dokumentgrenser, seksjonsnavn eller kodeidentifikatorer og et konkret spørsmål. Sett av plass til svaret, og be om dokumentasjonen som underbygger hver konklusjon.
Anbefalinger for generering
Best Practices anbefaler temperature 0,7, top_p 0,8, top_k 20 og min_p 0. Der det støttes, kan en presence penalty mellom null og to redusere gjentakelser, mens høyere verdier kan føre til språkblanding eller noe lavere kvalitet. Produsenten anbefaler å sette av 16 384 tokener til utdata for de fleste spørsmål, fremfor de større budsjettene som er dokumentert for Thinking-2507. Dette er en anbefaling, ikke en separat fastslått absolutt grense for utdata.
Oppgi sluttformatet eksplisitt, for eksempel en matematisk avgrensning eller et svarfelt. Modellens dokumenterte inndata er tekst, så visuelt materiale eller lydmateriale krever en egnet separat representasjon før det brukes i denne arbeidsflyten. Kontroller beregninger, sitater og generert kode mot kilden. Det nyttige resultatet er et komplett tekstprodukt som kan gjennomgås, der den faste Instruct-2507-identiteten, non-thinking-modusen og den betingede fremgangsmåten for lang kontekst fortsatt er tydelige.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-30b-a3b-instruct-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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-2507
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.