Høydepunkter: en modell bygget for programmeringsagenter
Qwen3-Coder-Next er en åpen tekstmodell utformet spesielt for programmeringsagenter og utviklingsarbeidsflyter. Qwen beskriver problemløsning over lange oppgaveforløp, kompleks verktøybruk og gjenoppretting etter kjøringsfeil, sammen med tilpasning til forskjellige rammer for utvikling. Den tar imot tekst og produserer tekst, inkludert kode, forklaringer og verktøyforespørsler. Dette nøyaktige Coder-Next-sjekkpunktet har sin egen non-thinking-kontrakt; Thinking-utgavene i den bredere Next-familien bør ikke erstatte det.
For en utviklingsoppgave bør du legge ved relevante filer eller utdrag, den ønskede oppførselen og inndata som viser et problem. Be om en redigerbar endring og en forklaring knyttet til disse betingelsene. For en oppgave som strekker seg over flere steg, bør du definere målet, tillatte verktøy og observasjoner som vil vise at oppgaven er fullført. Gjennomgå den foreslåtte kodeendringen og forklaringen mot de oppgitte filene, inndataene som feiler, og fullføringskriteriene.
Modelloversikt
Modellen har totalt 80 milliarder parametere og aktiverer tre milliarder. Hybridoppsettet med 48 lag gjentar tre Gated DeltaNet-ekspertlag etterfulgt av ett gated-attention-ekspertlag. Produsenten oppgir 512 eksperter, ti aktiverte eksperter og én delt ekspert. Det lave antallet aktiverte parametere er en beregningsegenskap ved den sparsomme modellen, ikke størrelsen på hele sjekkpunktet.
Den native konteksten er 262 144 tokener. Produsentens eksempler tillater en mindre kontekst, som 32 768, når minnebegrensninger hindrer den større konfigurasjonen i å fungere. Kildekode, historikk, verktøyobservasjoner og generert tekst må få plass innenfor den konfigurerte sekvenskapasiteten. Modellkortet fastslår ingen standardutvidelse til én million tokener for dette sjekkpunktet.
Bruke non-thinking-tekstgrensesnittet
Coder-Next støtter bare non-thinking-modus og genererer ikke eksplisitte thinking-blokker. Innstillingen enable_thinking=False er unødvendig i produsentens eksempel. Modellen kan fortsatt forklare en kodeendring, diskutere en algoritme eller resonnere i vanlig tekst; non-thinking beskriver utdatamodusen fremfor å forby en forklaring.
Hurtigstarten ber om en sorteringsalgoritme og bruker et genereringsbudsjett på 65 536 tokener. Denne verdien er et eksempelbudsjett, ikke en separat publisert absolutt utdatagrense. Oppgi resultatets format og begrensninger: språket, relevante grensesnitt, nødvendig oppførsel og om svaret skal inneholde en kodeendring, en komplett funksjon eller en forklaring. Hold det redigerbare resultatet separat fra kommentarer slik at det er lett å gjennomgå.
Rammer for utvikling og kontekst
Produsenten fremhever kompatibilitet med agentrammer i CLI- og IDE-stil, inkludert Qwen Code. En slik ramme leverer prosjektstatus, verktøydefinisjoner, observasjoner og samtaleformat. Behold disse inndataene konsekvent gjennom en oppgave med flere steg. Når et verktøy melder om en kontroll som feiler, bør du legge ved den faktiske feilen og relevant endret kode fremfor bare å be modellen prøve igjen.
Arbeid over lange oppgaveforløp har nytte av en synlig oppgavestatus: hva som ble observert, hvilken endring som foreslås, og hvilken betingelse som fortsatt er uløst. En verktøyobservasjon er forskjellig fra en påstand i generert tekst. Modellens evne til å gjenopprette etter feil bør ikke behandles som automatisk tillatelse til å kjøre kommandoer eller som en garanti for at hvert gjenopprettingsforsøk lykkes.
Programmering med agenter og verktøykall
Qwen dokumenterer verktøydefinisjoner i funksjonsstil med navn, beskrivelser, inndataskjemaer og obligatoriske felt. Gi en presis definisjon og oppgi den forventede betydningen av returverdien. Applikasjonen kjører et valgt verktøy og returnerer resultatet; modellen bruker deretter resultatet i neste steg. Verktøykall i seg selv gir ikke tilgang til et filsystem, aktuelle kilder eller et kjøremiljø.
For en agent som redigerer en kodebase, bør du begrense de tillatte filene og det ønskede resultatet. En nyttig sluttrapport kan identifisere berørte moduler, forklare endringen og oppgi faktiske resultater fra tilkoblede kontroller. Hold foreslåtte kommandoer, generert kode og fullførte operasjoner atskilt. Dette er praktiske eksempler på arbeidsflyter forankret i det dokumenterte utviklings- og verktøyomfanget.
Anbefalinger for generering
Produsenten anbefaler temperature 1,0, top_p 0,95 og top_k 40. Disse nøyaktige innstillingene skiller seg fra flere Qwen-samtalemodeller og bør inngå i Coder-Nexts egen oppskrift. Den publiserte konfigurasjonen bruker en Qwen3-Next-arkitektur for kausale språkmodeller. Bruk sjekkpunktets dokumenterte modellnavn og samtalemal konsekvent gjennom programmeringsarbeidsflyten.
Vesentlige begrensninger
De dokumenterte inndataene er tekst, så skjermbilder, lyd eller video trenger en egnet separat representasjon før denne programmeringsarbeidsflyten. Den native konteksten og genereringsbudsjettene i eksemplene er begrensede; kutt ned på irrelevant kode og sett av plass til det ønskede resultatet. Kontroller generert syntaks, grensesnitt, grensetilfeller og foreslåtte endringer i den faktiske utviklingsarbeidsflyten. De nyttige utdataene er et kode- eller forklaringsprodukt som kan inspiseres, underbygd av faktisk dokumentasjon fra oppgaven, med sjekkpunktets tekstbaserte og non-thinking-identitet bevart.
", "aboutText": "Høydepunkter: en modell bygget for programmeringsagenter\n\nQwen3-Coder-Next er en åpen tekstmodell utformet spesielt for programmeringsagenter og utviklingsarbeidsflyter. Qwen beskriver problemløsning over lange oppgaveforløp, kompleks verktøybruk og gjenoppretting etter kjøringsfeil, sammen med tilpasning til forskjellige rammer for utvikling. Den tar imot tekst og produserer tekst, inkludert kode, forklaringer og verktøyforespørsler. Dette nøyaktige Coder-Next-sjekkpunktet har sin egen non-thinking-kontrakt; Thinking-utgavene i den bredere Next-familien bør ikke erstatte det.\n\nFor en utviklingsoppgave bør du legge ved relevante filer eller utdrag, den ønskede oppførselen og inndata som viser et problem. Be om en redigerbar endring og en forklaring knyttet til disse betingelsene. For en oppgave som strekker seg over flere steg, bør du definere målet, tillatte verktøy og observasjoner som vil vise at oppgaven er fullført. Gjennomgå den foreslåtte kodeendringen og forklaringen mot de oppgitte filene, inndataene som feiler, og fullføringskriteriene.\n\nModelloversikt\n\nModellen har totalt 80 milliarder parametere og aktiverer tre milliarder. Hybridoppsettet med 48 lag gjentar tre Gated DeltaNet-ekspertlag etterfulgt av ett gated-attention-ekspertlag. Produsenten oppgir 512 eksperter, ti aktiverte eksperter og én delt ekspert. Det lave antallet aktiverte parametere er en beregningsegenskap ved den sparsomme modellen, ikke størrelsen på hele sjekkpunktet.\n\nDen native konteksten er 262 144 tokener. Produsentens eksempler tillater en mindre kontekst, som 32 768, når minnebegrensninger hindrer den større konfigurasjonen i å fungere. Kildekode, historikk, verktøyobservasjoner og generert tekst må få plass innenfor den konfigurerte sekvenskapasiteten. Modellkortet fastslår ingen standardutvidelse til én million tokener for dette sjekkpunktet.\n\nBruke non-thinking-tekstgrensesnittet\n\nCoder-Next støtter bare non-thinking-modus og genererer ikke eksplisitte thinking-blokker. Innstillingen enable_thinking=False er unødvendig i produsentens eksempel. Modellen kan fortsatt forklare en kodeendring, diskutere en algoritme eller resonnere i vanlig tekst; non-thinking beskriver utdatamodusen fremfor å forby en forklaring.\n\nHurtigstarten ber om en sorteringsalgoritme og bruker et genereringsbudsjett på 65 536 tokener. Denne verdien er et eksempelbudsjett, ikke en separat publisert absolutt utdatagrense. Oppgi resultatets format og begrensninger: språket, relevante grensesnitt, nødvendig oppførsel og om svaret skal inneholde en kodeendring, en komplett funksjon eller en forklaring. Hold det redigerbare resultatet separat fra kommentarer slik at det er lett å gjennomgå.\n\nRammer for utvikling og kontekst\n\nProdusenten fremhever kompatibilitet med agentrammer i CLI- og IDE-stil, inkludert Qwen Code. En slik ramme leverer prosjektstatus, verktøydefinisjoner, observasjoner og samtaleformat. Behold disse inndataene konsekvent gjennom en oppgave med flere steg. Når et verktøy melder om en kontroll som feiler, bør du legge ved den faktiske feilen og relevant endret kode fremfor bare å be modellen prøve igjen.\n\nArbeid over lange oppgaveforløp har nytte av en synlig oppgavestatus: hva som ble observert, hvilken endring som foreslås, og hvilken betingelse som fortsatt er uløst. En verktøyobservasjon er forskjellig fra en påstand i generert tekst. Modellens evne til å gjenopprette etter feil bør ikke behandles som automatisk tillatelse til å kjøre kommandoer eller som en garanti for at hvert gjenopprettingsforsøk lykkes.\n\nProgrammering med agenter og verktøykall\n\nQwen dokumenterer verktøydefinisjoner i funksjonsstil med navn, beskrivelser, inndataskjemaer og obligatoriske felt. Gi en presis definisjon og oppgi den forventede betydningen av returverdien. Applikasjonen kjører et valgt verktøy og returnerer resultatet; modellen bruker deretter resultatet i neste steg. Verktøykall i seg selv gir ikke tilgang til et filsystem, aktuelle kilder eller et kjøremiljø.\n\nFor en agent som redigerer en kodebase, bør du begrense de tillatte filene og det ønskede resultatet. En nyttig sluttrapport kan identifisere berørte moduler, forklare endringen og oppgi faktiske resultater fra tilkoblede kontroller. Hold foreslåtte kommandoer, generert kode og fullførte operasjoner atskilt. Dette er praktiske eksempler på arbeidsflyter forankret i det dokumenterte utviklings- og verktøyomfanget.\n\nAnbefalinger for generering\n\nProdusenten anbefaler temperature 1,0, top_p 0,95 og top_k 40. Disse nøyaktige innstillingene skiller seg fra flere Qwen-samtalemodeller og bør inngå i Coder-Nexts egen oppskrift. Den publiserte konfigurasjonen bruker en Qwen3-Next-arkitektur for kausale språkmodeller. Bruk sjekkpunktets dokumenterte modellnavn og samtalemal konsekvent gjennom programmeringsarbeidsflyten.\n\nVesentlige begrensninger\n\nDe dokumenterte inndataene er tekst, så skjermbilder, lyd eller video trenger en egnet separat representasjon før denne programmeringsarbeidsflyten. Den native konteksten og genereringsbudsjettene i eksemplene er begrensede; kutt ned på irrelevant kode og sett av plass til det ønskede resultatet. Kontroller generert syntaks, grensesnitt, grensetilfeller og foreslåtte endringer i den faktiske utviklingsarbeidsflyten. De nyttige utdataene er et kode- eller forklaringsprodukt som kan inspiseres, underbygd av faktisk dokumentasjon fra oppgaven, med sjekkpunktets tekstbaserte og non-thinking-identitet bevart.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next er Qwens programmeringsagentmodell som bare behandler tekst, med totalt 80 milliarder og 3 milliarder aktiverte parametere. Den bruker non-thinking-utdata, nativ kontekst på 262 144 tokener og verktøykall i utviklingsarbeidsflyter, inkludert arbeid i flere steg og gjenoppretting basert på tilbakemeldinger fra kjøring.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Høydepunkter: en modell bygget for programmeringsagenter
Qwen3-Coder-Next er en åpen tekstmodell utformet spesielt for programmeringsagenter og utviklingsarbeidsflyter. Qwen beskriver problemløsning over lange oppgaveforløp, kompleks verktøybruk og gjenoppretting etter kjøringsfeil, sammen med tilpasning til forskjellige rammer for utvikling. Den tar imot tekst og produserer tekst, inkludert kode, forklaringer og verktøyforespørsler. Dette nøyaktige Coder-Next-sjekkpunktet har sin egen non-thinking-kontrakt; Thinking-utgavene i den bredere Next-familien bør ikke erstatte det.
For en utviklingsoppgave bør du legge ved relevante filer eller utdrag, den ønskede oppførselen og inndata som viser et problem. Be om en redigerbar endring og en forklaring knyttet til disse betingelsene. For en oppgave som strekker seg over flere steg, bør du definere målet, tillatte verktøy og observasjoner som vil vise at oppgaven er fullført. Gjennomgå den foreslåtte kodeendringen og forklaringen mot de oppgitte filene, inndataene som feiler, og fullføringskriteriene.
Modelloversikt
Modellen har totalt 80 milliarder parametere og aktiverer tre milliarder. Hybridoppsettet med 48 lag gjentar tre Gated DeltaNet-ekspertlag etterfulgt av ett gated-attention-ekspertlag. Produsenten oppgir 512 eksperter, ti aktiverte eksperter og én delt ekspert. Det lave antallet aktiverte parametere er en beregningsegenskap ved den sparsomme modellen, ikke størrelsen på hele sjekkpunktet.
Den native konteksten er 262 144 tokener. Produsentens eksempler tillater en mindre kontekst, som 32 768, når minnebegrensninger hindrer den større konfigurasjonen i å fungere. Kildekode, historikk, verktøyobservasjoner og generert tekst må få plass innenfor den konfigurerte sekvenskapasiteten. Modellkortet fastslår ingen standardutvidelse til én million tokener for dette sjekkpunktet.
Bruke non-thinking-tekstgrensesnittet
Coder-Next støtter bare non-thinking-modus og genererer ikke eksplisitte thinking-blokker. Innstillingen enable_thinking=False er unødvendig i produsentens eksempel. Modellen kan fortsatt forklare en kodeendring, diskutere en algoritme eller resonnere i vanlig tekst; non-thinking beskriver utdatamodusen fremfor å forby en forklaring.
Hurtigstarten ber om en sorteringsalgoritme og bruker et genereringsbudsjett på 65 536 tokener. Denne verdien er et eksempelbudsjett, ikke en separat publisert absolutt utdatagrense. Oppgi resultatets format og begrensninger: språket, relevante grensesnitt, nødvendig oppførsel og om svaret skal inneholde en kodeendring, en komplett funksjon eller en forklaring. Hold det redigerbare resultatet separat fra kommentarer slik at det er lett å gjennomgå.
Rammer for utvikling og kontekst
Produsenten fremhever kompatibilitet med agentrammer i CLI- og IDE-stil, inkludert Qwen Code. En slik ramme leverer prosjektstatus, verktøydefinisjoner, observasjoner og samtaleformat. Behold disse inndataene konsekvent gjennom en oppgave med flere steg. Når et verktøy melder om en kontroll som feiler, bør du legge ved den faktiske feilen og relevant endret kode fremfor bare å be modellen prøve igjen.
Arbeid over lange oppgaveforløp har nytte av en synlig oppgavestatus: hva som ble observert, hvilken endring som foreslås, og hvilken betingelse som fortsatt er uløst. En verktøyobservasjon er forskjellig fra en påstand i generert tekst. Modellens evne til å gjenopprette etter feil bør ikke behandles som automatisk tillatelse til å kjøre kommandoer eller som en garanti for at hvert gjenopprettingsforsøk lykkes.
Programmering med agenter og verktøykall
Qwen dokumenterer verktøydefinisjoner i funksjonsstil med navn, beskrivelser, inndataskjemaer og obligatoriske felt. Gi en presis definisjon og oppgi den forventede betydningen av returverdien. Applikasjonen kjører et valgt verktøy og returnerer resultatet; modellen bruker deretter resultatet i neste steg. Verktøykall i seg selv gir ikke tilgang til et filsystem, aktuelle kilder eller et kjøremiljø.
For en agent som redigerer en kodebase, bør du begrense de tillatte filene og det ønskede resultatet. En nyttig sluttrapport kan identifisere berørte moduler, forklare endringen og oppgi faktiske resultater fra tilkoblede kontroller. Hold foreslåtte kommandoer, generert kode og fullførte operasjoner atskilt. Dette er praktiske eksempler på arbeidsflyter forankret i det dokumenterte utviklings- og verktøyomfanget.
Anbefalinger for generering
Produsenten anbefaler temperature 1,0, top_p 0,95 og top_k 40. Disse nøyaktige innstillingene skiller seg fra flere Qwen-samtalemodeller og bør inngå i Coder-Nexts egen oppskrift. Den publiserte konfigurasjonen bruker en Qwen3-Next-arkitektur for kausale språkmodeller. Bruk sjekkpunktets dokumenterte modellnavn og samtalemal konsekvent gjennom programmeringsarbeidsflyten.
Vesentlige begrensninger
De dokumenterte inndataene er tekst, så skjermbilder, lyd eller video trenger en egnet separat representasjon før denne programmeringsarbeidsflyten. Den native konteksten og genereringsbudsjettene i eksemplene er begrensede; kutt ned på irrelevant kode og sett av plass til det ønskede resultatet. Kontroller generert syntaks, grensesnitt, grensetilfeller og foreslåtte endringer i den faktiske utviklingsarbeidsflyten. De nyttige utdataene er et kode- eller forklaringsprodukt som kan inspiseres, underbygd av faktisk dokumentasjon fra oppgaven, med sjekkpunktets tekstbaserte og non-thinking-identitet bevart.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-coder-next | 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 $0.00024 / 1K tokener Utdata · Utgående tokener $0.0016 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00014 / 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 $0.00024 / 1K tokener Utdata · Utgående tokener $0.0016 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00014 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Bruk metodestiene som vises ovenfor.
qwen/qwen3-coder-nextQwen3-Coder-Next er Qwens programmeringsagentmodell som bare behandler tekst, med totalt 80 milliarder og 3 milliarder aktiverte parametere. Den bruker non-thinking-utdata, nativ kontekst på 262 144 tokener og verktøykall i utviklingsarbeidsflyter, inkludert arbeid i flere steg og gjenoppretting basert på tilbakemeldinger fra kjøring.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Høydepunkter: en modell bygget for programmeringsagenter
Qwen3-Coder-Next er en åpen tekstmodell utformet spesielt for programmeringsagenter og utviklingsarbeidsflyter. Qwen beskriver problemløsning over lange oppgaveforløp, kompleks verktøybruk og gjenoppretting etter kjøringsfeil, sammen med tilpasning til forskjellige rammer for utvikling. Den tar imot tekst og produserer tekst, inkludert kode, forklaringer og verktøyforespørsler. Dette nøyaktige Coder-Next-sjekkpunktet har sin egen non-thinking-kontrakt; Thinking-utgavene i den bredere Next-familien bør ikke erstatte det.
For en utviklingsoppgave bør du legge ved relevante filer eller utdrag, den ønskede oppførselen og inndata som viser et problem. Be om en redigerbar endring og en forklaring knyttet til disse betingelsene. For en oppgave som strekker seg over flere steg, bør du definere målet, tillatte verktøy og observasjoner som vil vise at oppgaven er fullført. Gjennomgå den foreslåtte kodeendringen og forklaringen mot de oppgitte filene, inndataene som feiler, og fullføringskriteriene.
Modelloversikt
Modellen har totalt 80 milliarder parametere og aktiverer tre milliarder. Hybridoppsettet med 48 lag gjentar tre Gated DeltaNet-ekspertlag etterfulgt av ett gated-attention-ekspertlag. Produsenten oppgir 512 eksperter, ti aktiverte eksperter og én delt ekspert. Det lave antallet aktiverte parametere er en beregningsegenskap ved den sparsomme modellen, ikke størrelsen på hele sjekkpunktet.
Den native konteksten er 262 144 tokener. Produsentens eksempler tillater en mindre kontekst, som 32 768, når minnebegrensninger hindrer den større konfigurasjonen i å fungere. Kildekode, historikk, verktøyobservasjoner og generert tekst må få plass innenfor den konfigurerte sekvenskapasiteten. Modellkortet fastslår ingen standardutvidelse til én million tokener for dette sjekkpunktet.
Bruke non-thinking-tekstgrensesnittet
Coder-Next støtter bare non-thinking-modus og genererer ikke eksplisitte thinking-blokker. Innstillingen enable_thinking=False er unødvendig i produsentens eksempel. Modellen kan fortsatt forklare en kodeendring, diskutere en algoritme eller resonnere i vanlig tekst; non-thinking beskriver utdatamodusen fremfor å forby en forklaring.
Hurtigstarten ber om en sorteringsalgoritme og bruker et genereringsbudsjett på 65 536 tokener. Denne verdien er et eksempelbudsjett, ikke en separat publisert absolutt utdatagrense. Oppgi resultatets format og begrensninger: språket, relevante grensesnitt, nødvendig oppførsel og om svaret skal inneholde en kodeendring, en komplett funksjon eller en forklaring. Hold det redigerbare resultatet separat fra kommentarer slik at det er lett å gjennomgå.
Rammer for utvikling og kontekst
Produsenten fremhever kompatibilitet med agentrammer i CLI- og IDE-stil, inkludert Qwen Code. En slik ramme leverer prosjektstatus, verktøydefinisjoner, observasjoner og samtaleformat. Behold disse inndataene konsekvent gjennom en oppgave med flere steg. Når et verktøy melder om en kontroll som feiler, bør du legge ved den faktiske feilen og relevant endret kode fremfor bare å be modellen prøve igjen.
Arbeid over lange oppgaveforløp har nytte av en synlig oppgavestatus: hva som ble observert, hvilken endring som foreslås, og hvilken betingelse som fortsatt er uløst. En verktøyobservasjon er forskjellig fra en påstand i generert tekst. Modellens evne til å gjenopprette etter feil bør ikke behandles som automatisk tillatelse til å kjøre kommandoer eller som en garanti for at hvert gjenopprettingsforsøk lykkes.
Programmering med agenter og verktøykall
Qwen dokumenterer verktøydefinisjoner i funksjonsstil med navn, beskrivelser, inndataskjemaer og obligatoriske felt. Gi en presis definisjon og oppgi den forventede betydningen av returverdien. Applikasjonen kjører et valgt verktøy og returnerer resultatet; modellen bruker deretter resultatet i neste steg. Verktøykall i seg selv gir ikke tilgang til et filsystem, aktuelle kilder eller et kjøremiljø.
For en agent som redigerer en kodebase, bør du begrense de tillatte filene og det ønskede resultatet. En nyttig sluttrapport kan identifisere berørte moduler, forklare endringen og oppgi faktiske resultater fra tilkoblede kontroller. Hold foreslåtte kommandoer, generert kode og fullførte operasjoner atskilt. Dette er praktiske eksempler på arbeidsflyter forankret i det dokumenterte utviklings- og verktøyomfanget.
Anbefalinger for generering
Produsenten anbefaler temperature 1,0, top_p 0,95 og top_k 40. Disse nøyaktige innstillingene skiller seg fra flere Qwen-samtalemodeller og bør inngå i Coder-Nexts egen oppskrift. Den publiserte konfigurasjonen bruker en Qwen3-Next-arkitektur for kausale språkmodeller. Bruk sjekkpunktets dokumenterte modellnavn og samtalemal konsekvent gjennom programmeringsarbeidsflyten.
Vesentlige begrensninger
De dokumenterte inndataene er tekst, så skjermbilder, lyd eller video trenger en egnet separat representasjon før denne programmeringsarbeidsflyten. Den native konteksten og genereringsbudsjettene i eksemplene er begrensede; kutt ned på irrelevant kode og sett av plass til det ønskede resultatet. Kontroller generert syntaks, grensesnitt, grensetilfeller og foreslåtte endringer i den faktiske utviklingsarbeidsflyten. De nyttige utdataene er et kode- eller forklaringsprodukt som kan inspiseres, underbygd av faktisk dokumentasjon fra oppgaven, med sjekkpunktets tekstbaserte og non-thinking-identitet bevart.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-coder-next | 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 $0.00024 / 1K tokener Utdata · Utgående tokener $0.0016 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00014 / 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 $0.00024 / 1K tokener Utdata · Utgående tokener $0.0016 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00014 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.