Qwen3.8-høydepunkter i en tett syns- og språkmodell
Qwen3.8-27B bringer forbedringene i Qwen3.8 innen programmering, faglig arbeid, forskning og agentoppgaver inn i en tett modell med 27 milliarder parametere. Den tar imot tekst, bilder og video og returnerer tekst. Det dokumenterte visuelle området omfatter STEM-diagrammer, dokumentsider og videoer som varer i timer. Dette er en egen modellversjon, atskilt fra den langt større, rent tekstbaserte Qwen3.8-2.4T-A95B, så inndatafunksjonene og tenkespesifikasjonene deres bør holdes atskilt.
Qwen fremhever autonom planlegging, bruk av tilbakemeldinger fra miljøet og integrasjon med utviklingsmiljøer. For en agentoppgave oppgir du målet, relevant materiale, tillatte verktøy og dokumentasjon som viser fullføring. En modell kan foreslå og revidere handlinger ut fra returnerte resultater; tilkoblet programvare utfører disse handlingene. Be om den endelige leveransen og uavklarte betingelser, fremfor å behandle en plan som et utført resultat.
Modelloversikt
27B-modellen har 64 språkmodellag. Hybridoppsettet grupperer tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk. Den er trent med prediksjon av flere tokener og inkluderer en synsenkoder. Disse arkitekturvalgene beskriver den utgitte modellen; de innebærer ikke at alle driftsoppsett har samme minnebruk eller forsinkelse.
Den opprinnelige konteksten er på 262,144 tokener, med dokumentert utvidelse til 1,000,000. Tekst, visuell representasjon, samtalehistorikk, tenkning og endelige utdata deler det konfigurerte sekvensbudsjettet. Utvikleren omtaler separat en administrert utgave med flere funksjoner; disse funksjonene bør ikke automatisk tilordnes den åpne modellversjonen.
Bruke tekst, bilder og video
For en kodeoppgave legger du ved den relevante funksjonen eller modulen, inndata som utløser feilen, og forventet atferd. Be deretter om en patch med berørte forutsetninger og kontroller. For et diagram bevarer du etiketter og oppgir hele spørsmålet. For et dokument ber du om navngitte felter eller konklusjoner med sidereferanser. For video angir du hendelsen du er interessert i, og bevarer tidspunktet.
Utviklerens videoeksempel bruker som standard to bilder per sekund i den støttede driftsarbeidsflyten, med valgfrie samplingskontroller. Et bredt scenesammendrag og en kortvarig hendelse kan kreve forskjellig sampling. Veiledningen for lange videoer anbefaler å utvide videoprosessorens budsjett for å støtte høyere samplingsfrekvens for materiale som varer i timer, med et eksempel som tilsvarer omtrent 224K videotokener. Dette krever konfigurasjon og konkurrerer med annet kontekstinnhold; det er ikke en universell garanti for klippvarighet.
Tenkning og historisk resonnering
Tenkning er aktivert som standard og kan deaktiveres per forespørsel gjennom utviklerens enable_thinking-kontroll. reasoning_effort støtter xhigh, medium og low, med xhigh som standard. Lavere innsats kan forkorte en enkelt samtalerunde, men Qwen advarer om at utilstrekkelig analyse i agentoppgaver kan føre til feil og gjentatt arbeid, slik at den samlede fullføringstiden øker.
preserve_thinking er aktivert som standard og beholder resonneringsblokker fra tidligere meldinger for kontinuitet. Deaktivering beholder bare tenkeblokkene som genereres mens den siste brukermeldingen behandles. Dette skiller seg fra eldre Qwen-veiledning som forkaster historisk resonnering helt. Hold resonnering og sluttinnhold atskilt i grensesnittet, og bevar det nøyaktige samtaleformatet modellversjonen forventer. Utviklerkontroller fastslår ikke hvilke parametere et annet program eksponerer.
Genereringsveiledning
For tenkning anbefaler Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 0 og repetisjonsstraff 1.0. For direkte svar anbefales henholdsvis 0.7, 0.8, 20, 0, 1.5 og 1.0. En høyere tilstedeværelsesstraff kan redusere gjentakelser, men kan også blande språk eller redusere kvaliteten litt.
Innenfor en konfigurert arbeidsflyt med én million tokener som støtter separate grenser, anbefaler utvikleren rammer på 262,144 tokener til resonnering og 131,072 til det endelige svaret. Dette er betingede budsjettanbefalinger, ikke uavhengige absolutte utdatagrenser eller tildelinger som passer samtidig innenfor den opprinnelige konteksten.
Svært lang kontekst og grenser
Den dokumenterte utvidelsen bruker YaRN med modellens egne sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med én million tokener; for en arbeidsmengde på rundt 524,288 tokener foreslår utvikleren en faktor på to. Statisk skalering kan påvirke kvaliteten på kortere tekst, så Qwen anbefaler å aktivere den når lengre kontekst trengs. Ikke kopier en annen Qwen-VL-utgaves ekstrapoleringsfaktor uten dens eget oppsett.
Organiser lange inndata etter dokument-, side- eller kodeidentifikator, og be om et resultat som kan kontrolleres. Verifiser beregninger, små visuelle etiketter og genererte patcher mot kilden. Lang kontekst, bevart resonnering og større videobudsjetter bidrar til å føre mer dokumentasjon gjennom en oppgave; de fastslår ikke i seg selv fullstendig gjenkalling, korrekt resonnering eller en fullført ekstern handling.
", "aboutText": "Qwen3.8-høydepunkter i en tett syns- og språkmodell\n\nQwen3.8-27B bringer forbedringene i Qwen3.8 innen programmering, faglig arbeid, forskning og agentoppgaver inn i en tett modell med 27 milliarder parametere. Den tar imot tekst, bilder og video og returnerer tekst. Det dokumenterte visuelle området omfatter STEM-diagrammer, dokumentsider og videoer som varer i timer. Dette er en egen modellversjon, atskilt fra den langt større, rent tekstbaserte Qwen3.8-2.4T-A95B, så inndatafunksjonene og tenkespesifikasjonene deres bør holdes atskilt.\n\nQwen fremhever autonom planlegging, bruk av tilbakemeldinger fra miljøet og integrasjon med utviklingsmiljøer. For en agentoppgave oppgir du målet, relevant materiale, tillatte verktøy og dokumentasjon som viser fullføring. En modell kan foreslå og revidere handlinger ut fra returnerte resultater; tilkoblet programvare utfører disse handlingene. Be om den endelige leveransen og uavklarte betingelser, fremfor å behandle en plan som et utført resultat.\n\nModelloversikt\n\n27B-modellen har 64 språkmodellag. Hybridoppsettet grupperer tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk. Den er trent med prediksjon av flere tokener og inkluderer en synsenkoder. Disse arkitekturvalgene beskriver den utgitte modellen; de innebærer ikke at alle driftsoppsett har samme minnebruk eller forsinkelse.\n\nDen opprinnelige konteksten er på 262,144 tokener, med dokumentert utvidelse til 1,000,000. Tekst, visuell representasjon, samtalehistorikk, tenkning og endelige utdata deler det konfigurerte sekvensbudsjettet. Utvikleren omtaler separat en administrert utgave med flere funksjoner; disse funksjonene bør ikke automatisk tilordnes den åpne modellversjonen.\n\nBruke tekst, bilder og video\n\nFor en kodeoppgave legger du ved den relevante funksjonen eller modulen, inndata som utløser feilen, og forventet atferd. Be deretter om en patch med berørte forutsetninger og kontroller. For et diagram bevarer du etiketter og oppgir hele spørsmålet. For et dokument ber du om navngitte felter eller konklusjoner med sidereferanser. For video angir du hendelsen du er interessert i, og bevarer tidspunktet.\n\nUtviklerens videoeksempel bruker som standard to bilder per sekund i den støttede driftsarbeidsflyten, med valgfrie samplingskontroller. Et bredt scenesammendrag og en kortvarig hendelse kan kreve forskjellig sampling. Veiledningen for lange videoer anbefaler å utvide videoprosessorens budsjett for å støtte høyere samplingsfrekvens for materiale som varer i timer, med et eksempel som tilsvarer omtrent 224K videotokener. Dette krever konfigurasjon og konkurrerer med annet kontekstinnhold; det er ikke en universell garanti for klippvarighet.\n\nTenkning og historisk resonnering\n\nTenkning er aktivert som standard og kan deaktiveres per forespørsel gjennom utviklerens enable_thinking-kontroll. reasoning_effort støtter xhigh, medium og low, med xhigh som standard. Lavere innsats kan forkorte en enkelt samtalerunde, men Qwen advarer om at utilstrekkelig analyse i agentoppgaver kan føre til feil og gjentatt arbeid, slik at den samlede fullføringstiden øker.\n\npreserve_thinking er aktivert som standard og beholder resonneringsblokker fra tidligere meldinger for kontinuitet. Deaktivering beholder bare tenkeblokkene som genereres mens den siste brukermeldingen behandles. Dette skiller seg fra eldre Qwen-veiledning som forkaster historisk resonnering helt. Hold resonnering og sluttinnhold atskilt i grensesnittet, og bevar det nøyaktige samtaleformatet modellversjonen forventer. Utviklerkontroller fastslår ikke hvilke parametere et annet program eksponerer.\n\nGenereringsveiledning\n\nFor tenkning anbefaler Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 0 og repetisjonsstraff 1.0. For direkte svar anbefales henholdsvis 0.7, 0.8, 20, 0, 1.5 og 1.0. En høyere tilstedeværelsesstraff kan redusere gjentakelser, men kan også blande språk eller redusere kvaliteten litt.\n\nInnenfor en konfigurert arbeidsflyt med én million tokener som støtter separate grenser, anbefaler utvikleren rammer på 262,144 tokener til resonnering og 131,072 til det endelige svaret. Dette er betingede budsjettanbefalinger, ikke uavhengige absolutte utdatagrenser eller tildelinger som passer samtidig innenfor den opprinnelige konteksten.\n\nSvært lang kontekst og grenser\n\nDen dokumenterte utvidelsen bruker YaRN med modellens egne sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med én million tokener; for en arbeidsmengde på rundt 524,288 tokener foreslår utvikleren en faktor på to. Statisk skalering kan påvirke kvaliteten på kortere tekst, så Qwen anbefaler å aktivere den når lengre kontekst trengs. Ikke kopier en annen Qwen-VL-utgaves ekstrapoleringsfaktor uten dens eget oppsett.\n\nOrganiser lange inndata etter dokument-, side- eller kodeidentifikator, og be om et resultat som kan kontrolleres. Verifiser beregninger, små visuelle etiketter og genererte patcher mot kilden. Lang kontekst, bevart resonnering og større videobudsjetter bidrar til å føre mer dokumentasjon gjennom en oppgave; de fastslår ikke i seg selv fullstendig gjenkalling, korrekt resonnering eller en fullført ekstern handling.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B er Qwens tette syns- og språkmodell for tekst, bilder og video, med tekst som utdata. Den kombinerer programmering og agentarbeid over mange steg med valgbar tenkning, bevart resonnering og en opprinnelig kontekst på 262,144 tokener, som kan utvides til én million gjennom konfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-høydepunkter i en tett syns- og språkmodell
Qwen3.8-27B bringer forbedringene i Qwen3.8 innen programmering, faglig arbeid, forskning og agentoppgaver inn i en tett modell med 27 milliarder parametere. Den tar imot tekst, bilder og video og returnerer tekst. Det dokumenterte visuelle området omfatter STEM-diagrammer, dokumentsider og videoer som varer i timer. Dette er en egen modellversjon, atskilt fra den langt større, rent tekstbaserte Qwen3.8-2.4T-A95B, så inndatafunksjonene og tenkespesifikasjonene deres bør holdes atskilt.
Qwen fremhever autonom planlegging, bruk av tilbakemeldinger fra miljøet og integrasjon med utviklingsmiljøer. For en agentoppgave oppgir du målet, relevant materiale, tillatte verktøy og dokumentasjon som viser fullføring. En modell kan foreslå og revidere handlinger ut fra returnerte resultater; tilkoblet programvare utfører disse handlingene. Be om den endelige leveransen og uavklarte betingelser, fremfor å behandle en plan som et utført resultat.
Modelloversikt
27B-modellen har 64 språkmodellag. Hybridoppsettet grupperer tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk. Den er trent med prediksjon av flere tokener og inkluderer en synsenkoder. Disse arkitekturvalgene beskriver den utgitte modellen; de innebærer ikke at alle driftsoppsett har samme minnebruk eller forsinkelse.
Den opprinnelige konteksten er på 262,144 tokener, med dokumentert utvidelse til 1,000,000. Tekst, visuell representasjon, samtalehistorikk, tenkning og endelige utdata deler det konfigurerte sekvensbudsjettet. Utvikleren omtaler separat en administrert utgave med flere funksjoner; disse funksjonene bør ikke automatisk tilordnes den åpne modellversjonen.
Bruke tekst, bilder og video
For en kodeoppgave legger du ved den relevante funksjonen eller modulen, inndata som utløser feilen, og forventet atferd. Be deretter om en patch med berørte forutsetninger og kontroller. For et diagram bevarer du etiketter og oppgir hele spørsmålet. For et dokument ber du om navngitte felter eller konklusjoner med sidereferanser. For video angir du hendelsen du er interessert i, og bevarer tidspunktet.
Utviklerens videoeksempel bruker som standard to bilder per sekund i den støttede driftsarbeidsflyten, med valgfrie samplingskontroller. Et bredt scenesammendrag og en kortvarig hendelse kan kreve forskjellig sampling. Veiledningen for lange videoer anbefaler å utvide videoprosessorens budsjett for å støtte høyere samplingsfrekvens for materiale som varer i timer, med et eksempel som tilsvarer omtrent 224K videotokener. Dette krever konfigurasjon og konkurrerer med annet kontekstinnhold; det er ikke en universell garanti for klippvarighet.
Tenkning og historisk resonnering
Tenkning er aktivert som standard og kan deaktiveres per forespørsel gjennom utviklerens enable_thinking-kontroll. reasoning_effort støtter xhigh, medium og low, med xhigh som standard. Lavere innsats kan forkorte en enkelt samtalerunde, men Qwen advarer om at utilstrekkelig analyse i agentoppgaver kan føre til feil og gjentatt arbeid, slik at den samlede fullføringstiden øker.
preserve_thinking er aktivert som standard og beholder resonneringsblokker fra tidligere meldinger for kontinuitet. Deaktivering beholder bare tenkeblokkene som genereres mens den siste brukermeldingen behandles. Dette skiller seg fra eldre Qwen-veiledning som forkaster historisk resonnering helt. Hold resonnering og sluttinnhold atskilt i grensesnittet, og bevar det nøyaktige samtaleformatet modellversjonen forventer. Utviklerkontroller fastslår ikke hvilke parametere et annet program eksponerer.
Genereringsveiledning
For tenkning anbefaler Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 0 og repetisjonsstraff 1.0. For direkte svar anbefales henholdsvis 0.7, 0.8, 20, 0, 1.5 og 1.0. En høyere tilstedeværelsesstraff kan redusere gjentakelser, men kan også blande språk eller redusere kvaliteten litt.
Innenfor en konfigurert arbeidsflyt med én million tokener som støtter separate grenser, anbefaler utvikleren rammer på 262,144 tokener til resonnering og 131,072 til det endelige svaret. Dette er betingede budsjettanbefalinger, ikke uavhengige absolutte utdatagrenser eller tildelinger som passer samtidig innenfor den opprinnelige konteksten.
Svært lang kontekst og grenser
Den dokumenterte utvidelsen bruker YaRN med modellens egne sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med én million tokener; for en arbeidsmengde på rundt 524,288 tokener foreslår utvikleren en faktor på to. Statisk skalering kan påvirke kvaliteten på kortere tekst, så Qwen anbefaler å aktivere den når lengre kontekst trengs. Ikke kopier en annen Qwen-VL-utgaves ekstrapoleringsfaktor uten dens eget oppsett.
Organiser lange inndata etter dokument-, side- eller kodeidentifikator, og be om et resultat som kan kontrolleres. Verifiser beregninger, små visuelle etiketter og genererte patcher mot kilden. Lang kontekst, bevart resonnering og større videobudsjetter bidrar til å føre mer dokumentasjon gjennom en oppgave; de fastslår ikke i seg selv fullstendig gjenkalling, korrekt resonnering eller en fullført ekstern handling.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.8-27b | 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 $0.00085 / 1K tokener Utdata · Utgående tokener $0.0051 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00017 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0010625 / 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 $0.00085 / 1K tokener Utdata · Utgående tokener $0.0051 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00017 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0010625 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Bruk metodestiene som vises ovenfor.
qwen/qwen3.8-27bQwen3.8-27B er Qwens tette syns- og språkmodell for tekst, bilder og video, med tekst som utdata. Den kombinerer programmering og agentarbeid over mange steg med valgbar tenkning, bevart resonnering og en opprinnelig kontekst på 262,144 tokener, som kan utvides til én million gjennom konfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-høydepunkter i en tett syns- og språkmodell
Qwen3.8-27B bringer forbedringene i Qwen3.8 innen programmering, faglig arbeid, forskning og agentoppgaver inn i en tett modell med 27 milliarder parametere. Den tar imot tekst, bilder og video og returnerer tekst. Det dokumenterte visuelle området omfatter STEM-diagrammer, dokumentsider og videoer som varer i timer. Dette er en egen modellversjon, atskilt fra den langt større, rent tekstbaserte Qwen3.8-2.4T-A95B, så inndatafunksjonene og tenkespesifikasjonene deres bør holdes atskilt.
Qwen fremhever autonom planlegging, bruk av tilbakemeldinger fra miljøet og integrasjon med utviklingsmiljøer. For en agentoppgave oppgir du målet, relevant materiale, tillatte verktøy og dokumentasjon som viser fullføring. En modell kan foreslå og revidere handlinger ut fra returnerte resultater; tilkoblet programvare utfører disse handlingene. Be om den endelige leveransen og uavklarte betingelser, fremfor å behandle en plan som et utført resultat.
Modelloversikt
27B-modellen har 64 språkmodellag. Hybridoppsettet grupperer tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk. Den er trent med prediksjon av flere tokener og inkluderer en synsenkoder. Disse arkitekturvalgene beskriver den utgitte modellen; de innebærer ikke at alle driftsoppsett har samme minnebruk eller forsinkelse.
Den opprinnelige konteksten er på 262,144 tokener, med dokumentert utvidelse til 1,000,000. Tekst, visuell representasjon, samtalehistorikk, tenkning og endelige utdata deler det konfigurerte sekvensbudsjettet. Utvikleren omtaler separat en administrert utgave med flere funksjoner; disse funksjonene bør ikke automatisk tilordnes den åpne modellversjonen.
Bruke tekst, bilder og video
For en kodeoppgave legger du ved den relevante funksjonen eller modulen, inndata som utløser feilen, og forventet atferd. Be deretter om en patch med berørte forutsetninger og kontroller. For et diagram bevarer du etiketter og oppgir hele spørsmålet. For et dokument ber du om navngitte felter eller konklusjoner med sidereferanser. For video angir du hendelsen du er interessert i, og bevarer tidspunktet.
Utviklerens videoeksempel bruker som standard to bilder per sekund i den støttede driftsarbeidsflyten, med valgfrie samplingskontroller. Et bredt scenesammendrag og en kortvarig hendelse kan kreve forskjellig sampling. Veiledningen for lange videoer anbefaler å utvide videoprosessorens budsjett for å støtte høyere samplingsfrekvens for materiale som varer i timer, med et eksempel som tilsvarer omtrent 224K videotokener. Dette krever konfigurasjon og konkurrerer med annet kontekstinnhold; det er ikke en universell garanti for klippvarighet.
Tenkning og historisk resonnering
Tenkning er aktivert som standard og kan deaktiveres per forespørsel gjennom utviklerens enable_thinking-kontroll. reasoning_effort støtter xhigh, medium og low, med xhigh som standard. Lavere innsats kan forkorte en enkelt samtalerunde, men Qwen advarer om at utilstrekkelig analyse i agentoppgaver kan føre til feil og gjentatt arbeid, slik at den samlede fullføringstiden øker.
preserve_thinking er aktivert som standard og beholder resonneringsblokker fra tidligere meldinger for kontinuitet. Deaktivering beholder bare tenkeblokkene som genereres mens den siste brukermeldingen behandles. Dette skiller seg fra eldre Qwen-veiledning som forkaster historisk resonnering helt. Hold resonnering og sluttinnhold atskilt i grensesnittet, og bevar det nøyaktige samtaleformatet modellversjonen forventer. Utviklerkontroller fastslår ikke hvilke parametere et annet program eksponerer.
Genereringsveiledning
For tenkning anbefaler Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 0 og repetisjonsstraff 1.0. For direkte svar anbefales henholdsvis 0.7, 0.8, 20, 0, 1.5 og 1.0. En høyere tilstedeværelsesstraff kan redusere gjentakelser, men kan også blande språk eller redusere kvaliteten litt.
Innenfor en konfigurert arbeidsflyt med én million tokener som støtter separate grenser, anbefaler utvikleren rammer på 262,144 tokener til resonnering og 131,072 til det endelige svaret. Dette er betingede budsjettanbefalinger, ikke uavhengige absolutte utdatagrenser eller tildelinger som passer samtidig innenfor den opprinnelige konteksten.
Svært lang kontekst og grenser
Den dokumenterte utvidelsen bruker YaRN med modellens egne sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med én million tokener; for en arbeidsmengde på rundt 524,288 tokener foreslår utvikleren en faktor på to. Statisk skalering kan påvirke kvaliteten på kortere tekst, så Qwen anbefaler å aktivere den når lengre kontekst trengs. Ikke kopier en annen Qwen-VL-utgaves ekstrapoleringsfaktor uten dens eget oppsett.
Organiser lange inndata etter dokument-, side- eller kodeidentifikator, og be om et resultat som kan kontrolleres. Verifiser beregninger, små visuelle etiketter og genererte patcher mot kilden. Lang kontekst, bevart resonnering og større videobudsjetter bidrar til å føre mer dokumentasjon gjennom en oppgave; de fastslår ikke i seg selv fullstendig gjenkalling, korrekt resonnering eller en fullført ekstern handling.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.8-27b | 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 $0.00085 / 1K tokener Utdata · Utgående tokener $0.0051 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00017 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0010625 / 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 $0.00085 / 1K tokener Utdata · Utgående tokener $0.0051 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00017 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0010625 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.