Qwen3-32B er den største tette modellen i den opprinnelige Qwen3-utgivelsen. Den kombinerer familiens thinking-modus for kompleks logikk, matematikk og programmering med non-thinking-svar for vanlig samtale. Qwen fremhever også kreativ skriving, rollebasert dialog, instruksjonsfølging over flere samtalerunder og verktøybruk som agent. Modellen behandler tekst og genererer tekst; flerspråklige instruksjoner og oversettelse inngår i den opprinnelige familiens støtte for 119 språk og dialekter. Den kan få en oppgavebeskrivelse for en analytisk forklaring, et kodeforslag eller et nøye spesifisert tekstarbeid.
Den aktuelle utgaven har totalt 32,8 milliarder parametere fordelt på 64 lag. Det er en tett modell, som skiller seg fra ekspertrutingsarkitekturen i Qwen3-30B-A3B og fra senere Qwen3-utgaver med egne navn. Den native konteksten er 32 768 tokener. Forbered en krevende oppgave ved å samle relevant dokumentasjon, krav og ønsket resultat. For en teknisk gjennomgang bør du gi komponentbeskrivelsen, grensesnittbegrensningene og problemet som skal løses, og deretter be om et forslag som identifiserer forutsetninger, avhengigheter og alternativer, basert bare på det oppgitte materialet der det er relevant.
Produsentens samtalemal aktiverer thinking som standard og har en hard enable_thinking-bryter. Hard deaktivering hindrer alt thinking-innhold. Når thinking er aktivert, gir /think og /no_think i bruker- eller systeminstruksjoner myk styring fra samtalerunde til samtalerunde, og den siste instruksjonen bestemmer ønsket oppførsel. En myk non-thinking-forespørsel kan etterlate en tom thinking-blokk; en /think-markør kan ikke overstyre en mal der thinking er hardt deaktivert. Dermed kan den opprinnelige modellen veksle mellom en direkte forespørsel om et utkast og et spørsmål som har nytte av en lengre resonneringskjede, når de foreskrevne kontrollene brukes.
Genereringseksemplet tolker en <think>-del separat fra sluttsvaret. Qwen anbefaler å gjøre sluttformatet eksplisitt, for eksempel et innrammet matematisk svar eller ett enkelt svarfelt for en flervalgsoppgave. Ved praktisk analyse bør du oppgi ønsket konklusjon og materialet som skal underbygge den: for eksempel et endelig designvalg, etterfulgt av begrensningene det oppfyller og spørsmålene som fortsatt er åpne. Følg produsentens veiledning og behold sluttsvaret, fremfor det tidligere thinking-innholdet, i den videre samtalehistorikken. Dette bevarer resultatet som senere spørsmål trenger, uten å ta med hvert resonneringssteg videre.
Verktøykall inngår i den dokumenterte modellprofilen i begge moduser. Qwen anbefaler Qwen-Agent for verktøykallmaler og tolking, og demonstrerer informasjonsinnhenting, tidsinformasjon og en kodeinterpreter. Definer verktøyene tydelig, forklar argumentene deres og fortell modellen hva som utgjør en fullført oppgave. En nyttig arbeidsflyt kan be om at utvalgt informasjon hentes, gi modellen det faktiske innholdet som ble returnert, og deretter be om en sammenstilling eller et forslag til implementering. Modellens forespurte kall og applikasjonens verktøyutførelse er separate trinn; sluttsvaret bør bygge på dokumentasjonen som ble returnert.
For lengre inndata dokumenterer modellkortet YaRN-utvidelse til 131 072 tokener. Det native kontekstvinduet er mindre, og statisk skalering kan påvirke ytelsen på korte inndata. Qwen anbefaler å aktivere utvidelsen når det faktisk er behov for lengre kontekst; modellkortet forklarer i tillegg en standardfordeling på 40 960 posisjoner til prompt og utdata. Velg relevante dokumenter, og bevar overskrifter, kildegrenser og terminologi. Sett av plass til resonneringen og sluttsvaret, særlig når oppgaven krever at flere spesifikasjoner avstemmes fremfor at ett avsnitt oppsummeres.
De offisielle anbefalingene er temperature 0,6, top-p 0,95, top-k 20 og min-p 0 for thinking; for non-thinking erstatter temperature 0,7 og top-p 0,8 de to første innstillingene. Qwen fraråder greedy decoding i thinking-modus og påpeker at en høy presence penalty kan føre til språkblanding eller redusert kvalitet. Produsenten anbefaler å sette av 32 768 tokener til utdata for de fleste spørsmål og beskriver 38 912 for særlig krevende matematikk- og programmeringsproblemer. Disse utdatabudsjettene er veiledning for generering, ikke en universell absolutt grense for svarlengde. En presis oppgavebeskrivelse og et definert sluttformat hjelper modellen å rette den tilgjengelige resonneringen mot arbeidet leseren trenger.
", "aboutText": "Qwen3-32B er den største tette modellen i den opprinnelige Qwen3-utgivelsen. Den kombinerer familiens thinking-modus for kompleks logikk, matematikk og programmering med non-thinking-svar for vanlig samtale. Qwen fremhever også kreativ skriving, rollebasert dialog, instruksjonsfølging over flere samtalerunder og verktøybruk som agent. Modellen behandler tekst og genererer tekst; flerspråklige instruksjoner og oversettelse inngår i den opprinnelige familiens støtte for 119 språk og dialekter. Den kan få en oppgavebeskrivelse for en analytisk forklaring, et kodeforslag eller et nøye spesifisert tekstarbeid.\n\nDen aktuelle utgaven har totalt 32,8 milliarder parametere fordelt på 64 lag. Det er en tett modell, som skiller seg fra ekspertrutingsarkitekturen i Qwen3-30B-A3B og fra senere Qwen3-utgaver med egne navn. Den native konteksten er 32 768 tokener. Forbered en krevende oppgave ved å samle relevant dokumentasjon, krav og ønsket resultat. For en teknisk gjennomgang bør du gi komponentbeskrivelsen, grensesnittbegrensningene og problemet som skal løses, og deretter be om et forslag som identifiserer forutsetninger, avhengigheter og alternativer, basert bare på det oppgitte materialet der det er relevant.\n\nProdusentens samtalemal aktiverer thinking som standard og har en hard enable_thinking-bryter. Hard deaktivering hindrer alt thinking-innhold. Når thinking er aktivert, gir /think og /no_think i bruker- eller systeminstruksjoner myk styring fra samtalerunde til samtalerunde, og den siste instruksjonen bestemmer ønsket oppførsel. En myk non-thinking-forespørsel kan etterlate en tom thinking-blokk; en /think-markør kan ikke overstyre en mal der thinking er hardt deaktivert. Dermed kan den opprinnelige modellen veksle mellom en direkte forespørsel om et utkast og et spørsmål som har nytte av en lengre resonneringskjede, når de foreskrevne kontrollene brukes.\n\nGenereringseksemplet tolker enTeknisk eksempel på engelsk
Review a cache invalidation design\n\nA report cache is keyed only by report name. Reports also depend on account ID and selected month. Two users requesting the same name can receive the wrong account or month. Propose a revised key contract, explain the dependencies it captures and give three text test cases. Use only the described inputs; propose no repository edits.A key contract, dependency explanation and cases distinguishing account and month.Different accounts or months must not share a cache entry solely because the report name matches.qwen/qwen3-32bQwen3-32B er Qwens tette hybride tekstmodell for kompleks resonnering, programmering, flerspråklig skriving og verktøystyrte oppgaver. Den kombinerer thinking- og non-thinking-modus i én modell og har en nativ kontekst på 32 768 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-32B er den største tette modellen i den opprinnelige Qwen3-utgivelsen. Den kombinerer familiens thinking-modus for kompleks logikk, matematikk og programmering med non-thinking-svar for vanlig samtale. Qwen fremhever også kreativ skriving, rollebasert dialog, instruksjonsfølging over flere samtalerunder og verktøybruk som agent. Modellen behandler tekst og genererer tekst; flerspråklige instruksjoner og oversettelse inngår i den opprinnelige familiens støtte for 119 språk og dialekter. Den kan få en oppgavebeskrivelse for en analytisk forklaring, et kodeforslag eller et nøye spesifisert tekstarbeid.
Den aktuelle utgaven har totalt 32,8 milliarder parametere fordelt på 64 lag. Det er en tett modell, som skiller seg fra ekspertrutingsarkitekturen i Qwen3-30B-A3B og fra senere Qwen3-utgaver med egne navn. Den native konteksten er 32 768 tokener. Forbered en krevende oppgave ved å samle relevant dokumentasjon, krav og ønsket resultat. For en teknisk gjennomgang bør du gi komponentbeskrivelsen, grensesnittbegrensningene og problemet som skal løses, og deretter be om et forslag som identifiserer forutsetninger, avhengigheter og alternativer, basert bare på det oppgitte materialet der det er relevant.
Produsentens samtalemal aktiverer thinking som standard og har en hard enable_thinking-bryter. Hard deaktivering hindrer alt thinking-innhold. Når thinking er aktivert, gir /think og /no_think i bruker- eller systeminstruksjoner myk styring fra samtalerunde til samtalerunde, og den siste instruksjonen bestemmer ønsket oppførsel. En myk non-thinking-forespørsel kan etterlate en tom thinking-blokk; en /think-markør kan ikke overstyre en mal der thinking er hardt deaktivert. Dermed kan den opprinnelige modellen veksle mellom en direkte forespørsel om et utkast og et spørsmål som har nytte av en lengre resonneringskjede, når de foreskrevne kontrollene brukes.
Genereringseksemplet tolker en <think>-del separat fra sluttsvaret. Qwen anbefaler å gjøre sluttformatet eksplisitt, for eksempel et innrammet matematisk svar eller ett enkelt svarfelt for en flervalgsoppgave. Ved praktisk analyse bør du oppgi ønsket konklusjon og materialet som skal underbygge den: for eksempel et endelig designvalg, etterfulgt av begrensningene det oppfyller og spørsmålene som fortsatt er åpne. Følg produsentens veiledning og behold sluttsvaret, fremfor det tidligere thinking-innholdet, i den videre samtalehistorikken. Dette bevarer resultatet som senere spørsmål trenger, uten å ta med hvert resonneringssteg videre.
Verktøykall inngår i den dokumenterte modellprofilen i begge moduser. Qwen anbefaler Qwen-Agent for verktøykallmaler og tolking, og demonstrerer informasjonsinnhenting, tidsinformasjon og en kodeinterpreter. Definer verktøyene tydelig, forklar argumentene deres og fortell modellen hva som utgjør en fullført oppgave. En nyttig arbeidsflyt kan be om at utvalgt informasjon hentes, gi modellen det faktiske innholdet som ble returnert, og deretter be om en sammenstilling eller et forslag til implementering. Modellens forespurte kall og applikasjonens verktøyutførelse er separate trinn; sluttsvaret bør bygge på dokumentasjonen som ble returnert.
For lengre inndata dokumenterer modellkortet YaRN-utvidelse til 131 072 tokener. Det native kontekstvinduet er mindre, og statisk skalering kan påvirke ytelsen på korte inndata. Qwen anbefaler å aktivere utvidelsen når det faktisk er behov for lengre kontekst; modellkortet forklarer i tillegg en standardfordeling på 40 960 posisjoner til prompt og utdata. Velg relevante dokumenter, og bevar overskrifter, kildegrenser og terminologi. Sett av plass til resonneringen og sluttsvaret, særlig når oppgaven krever at flere spesifikasjoner avstemmes fremfor at ett avsnitt oppsummeres.
De offisielle anbefalingene er temperature 0,6, top-p 0,95, top-k 20 og min-p 0 for thinking; for non-thinking erstatter temperature 0,7 og top-p 0,8 de to første innstillingene. Qwen fraråder greedy decoding i thinking-modus og påpeker at en høy presence penalty kan føre til språkblanding eller redusert kvalitet. Produsenten anbefaler å sette av 32 768 tokener til utdata for de fleste spørsmål og beskriver 38 912 for særlig krevende matematikk- og programmeringsproblemer. Disse utdatabudsjettene er veiledning for generering, ikke en universell absolutt grense for svarlengde. En presis oppgavebeskrivelse og et definert sluttformat hjelper modellen å rette den tilgjengelige resonneringen mot arbeidet leseren trenger.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-32b | 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 $0.000286 / 1K tokener Utdata · Utgående tokener $0.001144 / 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 $0.000286 / 1K tokener Utdata · Utgående tokener $0.001144 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-32b", "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/qwen3-32b',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/qwen3-32b',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/qwen3-32b
Bruk metodestiene som vises ovenfor.
qwen/qwen3-32bQwen3-32B er Qwens tette hybride tekstmodell for kompleks resonnering, programmering, flerspråklig skriving og verktøystyrte oppgaver. Den kombinerer thinking- og non-thinking-modus i én modell og har en nativ kontekst på 32 768 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-32B er den største tette modellen i den opprinnelige Qwen3-utgivelsen. Den kombinerer familiens thinking-modus for kompleks logikk, matematikk og programmering med non-thinking-svar for vanlig samtale. Qwen fremhever også kreativ skriving, rollebasert dialog, instruksjonsfølging over flere samtalerunder og verktøybruk som agent. Modellen behandler tekst og genererer tekst; flerspråklige instruksjoner og oversettelse inngår i den opprinnelige familiens støtte for 119 språk og dialekter. Den kan få en oppgavebeskrivelse for en analytisk forklaring, et kodeforslag eller et nøye spesifisert tekstarbeid.
Den aktuelle utgaven har totalt 32,8 milliarder parametere fordelt på 64 lag. Det er en tett modell, som skiller seg fra ekspertrutingsarkitekturen i Qwen3-30B-A3B og fra senere Qwen3-utgaver med egne navn. Den native konteksten er 32 768 tokener. Forbered en krevende oppgave ved å samle relevant dokumentasjon, krav og ønsket resultat. For en teknisk gjennomgang bør du gi komponentbeskrivelsen, grensesnittbegrensningene og problemet som skal løses, og deretter be om et forslag som identifiserer forutsetninger, avhengigheter og alternativer, basert bare på det oppgitte materialet der det er relevant.
Produsentens samtalemal aktiverer thinking som standard og har en hard enable_thinking-bryter. Hard deaktivering hindrer alt thinking-innhold. Når thinking er aktivert, gir /think og /no_think i bruker- eller systeminstruksjoner myk styring fra samtalerunde til samtalerunde, og den siste instruksjonen bestemmer ønsket oppførsel. En myk non-thinking-forespørsel kan etterlate en tom thinking-blokk; en /think-markør kan ikke overstyre en mal der thinking er hardt deaktivert. Dermed kan den opprinnelige modellen veksle mellom en direkte forespørsel om et utkast og et spørsmål som har nytte av en lengre resonneringskjede, når de foreskrevne kontrollene brukes.
Genereringseksemplet tolker en <think>-del separat fra sluttsvaret. Qwen anbefaler å gjøre sluttformatet eksplisitt, for eksempel et innrammet matematisk svar eller ett enkelt svarfelt for en flervalgsoppgave. Ved praktisk analyse bør du oppgi ønsket konklusjon og materialet som skal underbygge den: for eksempel et endelig designvalg, etterfulgt av begrensningene det oppfyller og spørsmålene som fortsatt er åpne. Følg produsentens veiledning og behold sluttsvaret, fremfor det tidligere thinking-innholdet, i den videre samtalehistorikken. Dette bevarer resultatet som senere spørsmål trenger, uten å ta med hvert resonneringssteg videre.
Verktøykall inngår i den dokumenterte modellprofilen i begge moduser. Qwen anbefaler Qwen-Agent for verktøykallmaler og tolking, og demonstrerer informasjonsinnhenting, tidsinformasjon og en kodeinterpreter. Definer verktøyene tydelig, forklar argumentene deres og fortell modellen hva som utgjør en fullført oppgave. En nyttig arbeidsflyt kan be om at utvalgt informasjon hentes, gi modellen det faktiske innholdet som ble returnert, og deretter be om en sammenstilling eller et forslag til implementering. Modellens forespurte kall og applikasjonens verktøyutførelse er separate trinn; sluttsvaret bør bygge på dokumentasjonen som ble returnert.
For lengre inndata dokumenterer modellkortet YaRN-utvidelse til 131 072 tokener. Det native kontekstvinduet er mindre, og statisk skalering kan påvirke ytelsen på korte inndata. Qwen anbefaler å aktivere utvidelsen når det faktisk er behov for lengre kontekst; modellkortet forklarer i tillegg en standardfordeling på 40 960 posisjoner til prompt og utdata. Velg relevante dokumenter, og bevar overskrifter, kildegrenser og terminologi. Sett av plass til resonneringen og sluttsvaret, særlig når oppgaven krever at flere spesifikasjoner avstemmes fremfor at ett avsnitt oppsummeres.
De offisielle anbefalingene er temperature 0,6, top-p 0,95, top-k 20 og min-p 0 for thinking; for non-thinking erstatter temperature 0,7 og top-p 0,8 de to første innstillingene. Qwen fraråder greedy decoding i thinking-modus og påpeker at en høy presence penalty kan føre til språkblanding eller redusert kvalitet. Produsenten anbefaler å sette av 32 768 tokener til utdata for de fleste spørsmål og beskriver 38 912 for særlig krevende matematikk- og programmeringsproblemer. Disse utdatabudsjettene er veiledning for generering, ikke en universell absolutt grense for svarlengde. En presis oppgavebeskrivelse og et definert sluttformat hjelper modellen å rette den tilgjengelige resonneringen mot arbeidet leseren trenger.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-32b | 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 $0.000286 / 1K tokener Utdata · Utgående tokener $0.001144 / 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 $0.000286 / 1K tokener Utdata · Utgående tokener $0.001144 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-32b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-32b', '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/qwen3-32b', '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/qwen3-32b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Review a cache invalidation design\n\nA report cache is keyed only by report name. Reports also depend on account ID and selected month. Two users requesting the same name can receive the wrong account or month. Propose a revised key contract, explain the dependencies it captures and give three text test cases. Use only the described inputs; propose no repository edits.A key contract, dependency explanation and cases distinguishing account and month.Different accounts or months must not share a cache entry solely because the report name matches.