Qwen3-Next-høydepunkter: direkte tekstinstruksjoner
Qwen3-Next-80B-A3B-Instruct er instruct- og non-thinking-tekstutgaven av Qwen3-Next. Den tar imot tekst og returnerer tekst, inkludert forklaringer, kodeforslag og dokumenter i ønsket form. Den genererer ikke eksplisitte thinking-blokker. Hold den atskilt fra Thinking-utgaven og den programmeringsspesialiserte Qwen3-Coder-Next; en felles familiearkitektur gjør ikke responskontraktene deres utskiftbare.
Familien introduserer hybrid attention som kombinerer Gated DeltaNet og gated attention, eksperter med høy sparsitet, stabilitetsoptimaliseringer som inkluderer nullsentrert lagnormalisering med vektavtagning, og prediksjon av flere tokener. Disse endringene gjelder representasjon og trening av lange sekvenser. Effektiviteten ved inferens avhenger av implementeringen, så arkitekturtall bør ikke bli en fast garanti for latenstid eller gjennomstrømning.
Modelloversikt
Sjekkpunktet har totalt 80 milliarder parametere og aktiverer tre milliarder. Det har 48 lag i et gjentatt ekspertmønster med tre DeltaNet-lag etterfulgt av ett gated-attention-lag. Produsenten oppgir 512 eksperter, ti aktiverte eksperter og én delt ekspert, med førtrening på 15 billioner tokener etterfulgt av ettertrening. Aktiverte parametere er ikke størrelsen på hele sjekkpunktet.
Den native konteksten er 262 144 tokener, med dokumentert utvidelse til 1 010 000. Produsentens utrullingseksempler tillater en mindre kontekst, som 32 768, når ressursbegrensninger hindrer den større innstillingen i å fungere. Tekst, samtalehistorikk, verktøyobservasjoner og generert innhold deler den konfigurerte sekvenskapasiteten. Utvidelsen er en ekstra konfigurasjonsmulighet fremfor ubegrensede inndata som standard.
Bruke instruct-grensesnittet
Denne modellen støtter bare instruct- og non-thinking-modus. Den kan forklare en algoritme, vise beregninger eller begrunne en konklusjon i vanlig tekst uten å produsere en egen thinking-blokk. Be om resultatets format og avgrensninger: en komplett funksjon, en kortfattet rapport, en dokumentasjonstabell eller et svar med underbyggende steg. En forespørsel om en lang forklaring gjør den ikke til det separat navngitte Thinking-sjekkpunktet.
For en dokumentoppgave bør du beholde seksjonsidentifikatorer og definere spørsmålene rapporten må besvare. For kode bør du oppgi den relevante funksjonen eller modulen, begrensningene for inndata og forventede utdata. For matematikk bør du gi den fullstendige oppgaven og be om et avgrenset sluttresultat. Sammenlign returnerte beregninger, kode eller forklaringer med de oppgitte betingelsene og faktiske resultatene.
Implementering og verktøy
Produsenten dokumenterer verktøykall og anbefaler Qwen-Agent for maler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. En tilkoblet arbeidsflyt kan tilby gjenfinning, inspeksjon eller tillatt kjøring og returnere faktiske observasjoner. Oppgi verktøyene, tillatte handlinger og synlige fullføringsbetingelser, og be deretter sluttrapporten skille forslag fra faktiske returnerte resultater.
Prediksjon av flere tokener inngår i treningen, men bruken ved inferens avhenger av implementeringen og er ikke generelt tilgjengelig i enhver lettvektsarbeidsflyt. En mal eller arkitekturegenskap fastslår ikke i seg selv tilgang til aktuelle kilder, filer eller et kodemiljø. Behold den nøyaktige modellen og samtaleformatet som brukes av det valgte grensesnittet.
Svært lange tekster
Produsenten validerer en kontekst på omtrent én million tokener med YaRN og gir en oppskrift med faktor fire basert på 262 144 native posisjoner. For arbeidsmengder på 524 288 tokener foreslås faktor to. Statisk skalering kan redusere ytelsen på kortere tekster, så konfigurasjonen bør følge det faktiske behovet for lengre inndata.
Hold langt materiale organisert etter dokument, kodebane eller seksjon, og fjern irrelevante gjentakelser. Be svaret identifisere avsnittene eller betingelsene som underbygger det. Sett av plass til svaret fremfor å behandle det største konteksttallet som fullstendig hukommelse for hver oppgitt detalj. Den publiserte utvidelsesverdien på 1 010 000 og valideringen rundt én million er fortsatt avgrenset til produsentens arbeidsflyt for lang kontekst.
Genereringsveiledning
Best Practices anbefaler temperature 0,7, top_p 0,8, top_k 20 og min_p 0. Der det støttes, kan en presence penalty mellom null og to redusere gjentatt tekst, men høyere verdier kan blande språk eller redusere kvaliteten litt. Produsenten anbefaler et utdatabudsjett på 16 384 tokener for de fleste forespørsler. Dette er et anbefalt genereringsbudsjett fremfor en uavhengig absolutt maksimumsgrense; det bør ikke arve Thinking-utgavens større budsjetter.
Oppgi resultatformen eksplisitt, som en matematisk avgrensning eller et svarfelt. Hold sluttresultatet lett å inspisere, og kontroller beregninger, sitater eller kode mot kilden. Denne tekstutgaven tar ikke imot bilder, lyd eller video som egne inndata, så slike materialer trenger en egnet separat representasjon før de kan underbygge oppgaven.
Praktisk resultat
De nyttige utdataene er et konkret tekstprodukt forankret i de oppgitte betingelsene: en dokumentforklaring, et kodeforslag eller et direkte svar med nødvendige underbyggende detaljer. Lang kontekst og verktøykall kan bidra til å føre mer dokumentasjon gjennom en arbeidsflyt, mens non-thinking-kontrakten gjør utdatastilen til denne nøyaktige utgaven tydelig. Kontroller resultatet i det faktiske oppgavemiljøet fremfor å utlede riktighet fra lengden eller selvsikre formuleringer.
", "aboutText": "Qwen3-Next-høydepunkter: direkte tekstinstruksjoner\n\nQwen3-Next-80B-A3B-Instruct er instruct- og non-thinking-tekstutgaven av Qwen3-Next. Den tar imot tekst og returnerer tekst, inkludert forklaringer, kodeforslag og dokumenter i ønsket form. Den genererer ikke eksplisitte thinking-blokker. Hold den atskilt fra Thinking-utgaven og den programmeringsspesialiserte Qwen3-Coder-Next; en felles familiearkitektur gjør ikke responskontraktene deres utskiftbare.\n\nFamilien introduserer hybrid attention som kombinerer Gated DeltaNet og gated attention, eksperter med høy sparsitet, stabilitetsoptimaliseringer som inkluderer nullsentrert lagnormalisering med vektavtagning, og prediksjon av flere tokener. Disse endringene gjelder representasjon og trening av lange sekvenser. Effektiviteten ved inferens avhenger av implementeringen, så arkitekturtall bør ikke bli en fast garanti for latenstid eller gjennomstrømning.\n\nModelloversikt\n\nSjekkpunktet har totalt 80 milliarder parametere og aktiverer tre milliarder. Det har 48 lag i et gjentatt ekspertmønster med tre DeltaNet-lag etterfulgt av ett gated-attention-lag. Produsenten oppgir 512 eksperter, ti aktiverte eksperter og én delt ekspert, med førtrening på 15 billioner tokener etterfulgt av ettertrening. Aktiverte parametere er ikke størrelsen på hele sjekkpunktet.\n\nDen native konteksten er 262 144 tokener, med dokumentert utvidelse til 1 010 000. Produsentens utrullingseksempler tillater en mindre kontekst, som 32 768, når ressursbegrensninger hindrer den større innstillingen i å fungere. Tekst, samtalehistorikk, verktøyobservasjoner og generert innhold deler den konfigurerte sekvenskapasiteten. Utvidelsen er en ekstra konfigurasjonsmulighet fremfor ubegrensede inndata som standard.\n\nBruke instruct-grensesnittet\n\nDenne modellen støtter bare instruct- og non-thinking-modus. Den kan forklare en algoritme, vise beregninger eller begrunne en konklusjon i vanlig tekst uten å produsere en egen thinking-blokk. Be om resultatets format og avgrensninger: en komplett funksjon, en kortfattet rapport, en dokumentasjonstabell eller et svar med underbyggende steg. En forespørsel om en lang forklaring gjør den ikke til det separat navngitte Thinking-sjekkpunktet.\n\nFor en dokumentoppgave bør du beholde seksjonsidentifikatorer og definere spørsmålene rapporten må besvare. For kode bør du oppgi den relevante funksjonen eller modulen, begrensningene for inndata og forventede utdata. For matematikk bør du gi den fullstendige oppgaven og be om et avgrenset sluttresultat. Sammenlign returnerte beregninger, kode eller forklaringer med de oppgitte betingelsene og faktiske resultatene.\n\nImplementering og verktøy\n\nProdusenten dokumenterer verktøykall og anbefaler Qwen-Agent for maler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. En tilkoblet arbeidsflyt kan tilby gjenfinning, inspeksjon eller tillatt kjøring og returnere faktiske observasjoner. Oppgi verktøyene, tillatte handlinger og synlige fullføringsbetingelser, og be deretter sluttrapporten skille forslag fra faktiske returnerte resultater.\n\nPrediksjon av flere tokener inngår i treningen, men bruken ved inferens avhenger av implementeringen og er ikke generelt tilgjengelig i enhver lettvektsarbeidsflyt. En mal eller arkitekturegenskap fastslår ikke i seg selv tilgang til aktuelle kilder, filer eller et kodemiljø. Behold den nøyaktige modellen og samtaleformatet som brukes av det valgte grensesnittet.\n\nSvært lange tekster\n\nProdusenten validerer en kontekst på omtrent én million tokener med YaRN og gir en oppskrift med faktor fire basert på 262 144 native posisjoner. For arbeidsmengder på 524 288 tokener foreslås faktor to. Statisk skalering kan redusere ytelsen på kortere tekster, så konfigurasjonen bør følge det faktiske behovet for lengre inndata.\n\nHold langt materiale organisert etter dokument, kodebane eller seksjon, og fjern irrelevante gjentakelser. Be svaret identifisere avsnittene eller betingelsene som underbygger det. Sett av plass til svaret fremfor å behandle det største konteksttallet som fullstendig hukommelse for hver oppgitt detalj. Den publiserte utvidelsesverdien på 1 010 000 og valideringen rundt én million er fortsatt avgrenset til produsentens arbeidsflyt for lang kontekst.\n\nGenereringsveiledning\n\nBest Practices anbefaler temperature 0,7, top_p 0,8, top_k 20 og min_p 0. Der det støttes, kan en presence penalty mellom null og to redusere gjentatt tekst, men høyere verdier kan blande språk eller redusere kvaliteten litt. Produsenten anbefaler et utdatabudsjett på 16 384 tokener for de fleste forespørsler. Dette er et anbefalt genereringsbudsjett fremfor en uavhengig absolutt maksimumsgrense; det bør ikke arve Thinking-utgavens større budsjetter.\n\nOppgi resultatformen eksplisitt, som en matematisk avgrensning eller et svarfelt. Hold sluttresultatet lett å inspisere, og kontroller beregninger, sitater eller kode mot kilden. Denne tekstutgaven tar ikke imot bilder, lyd eller video som egne inndata, så slike materialer trenger en egnet separat representasjon før de kan underbygge oppgaven.\n\nPraktisk resultat\n\nDe nyttige utdataene er et konkret tekstprodukt forankret i de oppgitte betingelsene: en dokumentforklaring, et kodeforslag eller et direkte svar med nødvendige underbyggende detaljer. Lang kontekst og verktøykall kan bidra til å føre mer dokumentasjon gjennom en arbeidsflyt, mens non-thinking-kontrakten gjør utdatastilen til denne nøyaktige utgaven tydelig. Kontroller resultatet i det faktiske oppgavemiljøet fremfor å utlede riktighet fra lengden eller selvsikre formuleringer.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct er Qwens non-thinking-tekstutgave med totalt 80 milliarder og 3 milliarder aktiverte parametere. Den kombinerer hybrid attention, sparsomme eksperter og verktøykall med en nativ kontekst på 262 144 tokener, som kan utvides til 1 010 000 gjennom konfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Next-høydepunkter: direkte tekstinstruksjoner
Qwen3-Next-80B-A3B-Instruct er instruct- og non-thinking-tekstutgaven av Qwen3-Next. Den tar imot tekst og returnerer tekst, inkludert forklaringer, kodeforslag og dokumenter i ønsket form. Den genererer ikke eksplisitte thinking-blokker. Hold den atskilt fra Thinking-utgaven og den programmeringsspesialiserte Qwen3-Coder-Next; en felles familiearkitektur gjør ikke responskontraktene deres utskiftbare.
Familien introduserer hybrid attention som kombinerer Gated DeltaNet og gated attention, eksperter med høy sparsitet, stabilitetsoptimaliseringer som inkluderer nullsentrert lagnormalisering med vektavtagning, og prediksjon av flere tokener. Disse endringene gjelder representasjon og trening av lange sekvenser. Effektiviteten ved inferens avhenger av implementeringen, så arkitekturtall bør ikke bli en fast garanti for latenstid eller gjennomstrømning.
Modelloversikt
Sjekkpunktet har totalt 80 milliarder parametere og aktiverer tre milliarder. Det har 48 lag i et gjentatt ekspertmønster med tre DeltaNet-lag etterfulgt av ett gated-attention-lag. Produsenten oppgir 512 eksperter, ti aktiverte eksperter og én delt ekspert, med førtrening på 15 billioner tokener etterfulgt av ettertrening. Aktiverte parametere er ikke størrelsen på hele sjekkpunktet.
Den native konteksten er 262 144 tokener, med dokumentert utvidelse til 1 010 000. Produsentens utrullingseksempler tillater en mindre kontekst, som 32 768, når ressursbegrensninger hindrer den større innstillingen i å fungere. Tekst, samtalehistorikk, verktøyobservasjoner og generert innhold deler den konfigurerte sekvenskapasiteten. Utvidelsen er en ekstra konfigurasjonsmulighet fremfor ubegrensede inndata som standard.
Bruke instruct-grensesnittet
Denne modellen støtter bare instruct- og non-thinking-modus. Den kan forklare en algoritme, vise beregninger eller begrunne en konklusjon i vanlig tekst uten å produsere en egen thinking-blokk. Be om resultatets format og avgrensninger: en komplett funksjon, en kortfattet rapport, en dokumentasjonstabell eller et svar med underbyggende steg. En forespørsel om en lang forklaring gjør den ikke til det separat navngitte Thinking-sjekkpunktet.
For en dokumentoppgave bør du beholde seksjonsidentifikatorer og definere spørsmålene rapporten må besvare. For kode bør du oppgi den relevante funksjonen eller modulen, begrensningene for inndata og forventede utdata. For matematikk bør du gi den fullstendige oppgaven og be om et avgrenset sluttresultat. Sammenlign returnerte beregninger, kode eller forklaringer med de oppgitte betingelsene og faktiske resultatene.
Implementering og verktøy
Produsenten dokumenterer verktøykall og anbefaler Qwen-Agent for maler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. En tilkoblet arbeidsflyt kan tilby gjenfinning, inspeksjon eller tillatt kjøring og returnere faktiske observasjoner. Oppgi verktøyene, tillatte handlinger og synlige fullføringsbetingelser, og be deretter sluttrapporten skille forslag fra faktiske returnerte resultater.
Prediksjon av flere tokener inngår i treningen, men bruken ved inferens avhenger av implementeringen og er ikke generelt tilgjengelig i enhver lettvektsarbeidsflyt. En mal eller arkitekturegenskap fastslår ikke i seg selv tilgang til aktuelle kilder, filer eller et kodemiljø. Behold den nøyaktige modellen og samtaleformatet som brukes av det valgte grensesnittet.
Svært lange tekster
Produsenten validerer en kontekst på omtrent én million tokener med YaRN og gir en oppskrift med faktor fire basert på 262 144 native posisjoner. For arbeidsmengder på 524 288 tokener foreslås faktor to. Statisk skalering kan redusere ytelsen på kortere tekster, så konfigurasjonen bør følge det faktiske behovet for lengre inndata.
Hold langt materiale organisert etter dokument, kodebane eller seksjon, og fjern irrelevante gjentakelser. Be svaret identifisere avsnittene eller betingelsene som underbygger det. Sett av plass til svaret fremfor å behandle det største konteksttallet som fullstendig hukommelse for hver oppgitt detalj. Den publiserte utvidelsesverdien på 1 010 000 og valideringen rundt én million er fortsatt avgrenset til produsentens arbeidsflyt for lang kontekst.
Genereringsveiledning
Best Practices anbefaler temperature 0,7, top_p 0,8, top_k 20 og min_p 0. Der det støttes, kan en presence penalty mellom null og to redusere gjentatt tekst, men høyere verdier kan blande språk eller redusere kvaliteten litt. Produsenten anbefaler et utdatabudsjett på 16 384 tokener for de fleste forespørsler. Dette er et anbefalt genereringsbudsjett fremfor en uavhengig absolutt maksimumsgrense; det bør ikke arve Thinking-utgavens større budsjetter.
Oppgi resultatformen eksplisitt, som en matematisk avgrensning eller et svarfelt. Hold sluttresultatet lett å inspisere, og kontroller beregninger, sitater eller kode mot kilden. Denne tekstutgaven tar ikke imot bilder, lyd eller video som egne inndata, så slike materialer trenger en egnet separat representasjon før de kan underbygge oppgaven.
Praktisk resultat
De nyttige utdataene er et konkret tekstprodukt forankret i de oppgitte betingelsene: en dokumentforklaring, et kodeforslag eller et direkte svar med nødvendige underbyggende detaljer. Lang kontekst og verktøykall kan bidra til å føre mer dokumentasjon gjennom en arbeidsflyt, mens non-thinking-kontrakten gjør utdatastilen til denne nøyaktige utgaven tydelig. Kontroller resultatet i det faktiske oppgavemiljøet fremfor å utlede riktighet fra lengden eller selvsikre formuleringer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-next-80b-a3b-instruct | 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 $0.0022 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00014 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000286 / 1K tokener Utdata · Utgående tokener $0.0022 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00014 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-instruct", "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-next-80b-a3b-instruct',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-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Bruk metodestiene som vises ovenfor.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct er Qwens non-thinking-tekstutgave med totalt 80 milliarder og 3 milliarder aktiverte parametere. Den kombinerer hybrid attention, sparsomme eksperter og verktøykall med en nativ kontekst på 262 144 tokener, som kan utvides til 1 010 000 gjennom konfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Next-høydepunkter: direkte tekstinstruksjoner
Qwen3-Next-80B-A3B-Instruct er instruct- og non-thinking-tekstutgaven av Qwen3-Next. Den tar imot tekst og returnerer tekst, inkludert forklaringer, kodeforslag og dokumenter i ønsket form. Den genererer ikke eksplisitte thinking-blokker. Hold den atskilt fra Thinking-utgaven og den programmeringsspesialiserte Qwen3-Coder-Next; en felles familiearkitektur gjør ikke responskontraktene deres utskiftbare.
Familien introduserer hybrid attention som kombinerer Gated DeltaNet og gated attention, eksperter med høy sparsitet, stabilitetsoptimaliseringer som inkluderer nullsentrert lagnormalisering med vektavtagning, og prediksjon av flere tokener. Disse endringene gjelder representasjon og trening av lange sekvenser. Effektiviteten ved inferens avhenger av implementeringen, så arkitekturtall bør ikke bli en fast garanti for latenstid eller gjennomstrømning.
Modelloversikt
Sjekkpunktet har totalt 80 milliarder parametere og aktiverer tre milliarder. Det har 48 lag i et gjentatt ekspertmønster med tre DeltaNet-lag etterfulgt av ett gated-attention-lag. Produsenten oppgir 512 eksperter, ti aktiverte eksperter og én delt ekspert, med førtrening på 15 billioner tokener etterfulgt av ettertrening. Aktiverte parametere er ikke størrelsen på hele sjekkpunktet.
Den native konteksten er 262 144 tokener, med dokumentert utvidelse til 1 010 000. Produsentens utrullingseksempler tillater en mindre kontekst, som 32 768, når ressursbegrensninger hindrer den større innstillingen i å fungere. Tekst, samtalehistorikk, verktøyobservasjoner og generert innhold deler den konfigurerte sekvenskapasiteten. Utvidelsen er en ekstra konfigurasjonsmulighet fremfor ubegrensede inndata som standard.
Bruke instruct-grensesnittet
Denne modellen støtter bare instruct- og non-thinking-modus. Den kan forklare en algoritme, vise beregninger eller begrunne en konklusjon i vanlig tekst uten å produsere en egen thinking-blokk. Be om resultatets format og avgrensninger: en komplett funksjon, en kortfattet rapport, en dokumentasjonstabell eller et svar med underbyggende steg. En forespørsel om en lang forklaring gjør den ikke til det separat navngitte Thinking-sjekkpunktet.
For en dokumentoppgave bør du beholde seksjonsidentifikatorer og definere spørsmålene rapporten må besvare. For kode bør du oppgi den relevante funksjonen eller modulen, begrensningene for inndata og forventede utdata. For matematikk bør du gi den fullstendige oppgaven og be om et avgrenset sluttresultat. Sammenlign returnerte beregninger, kode eller forklaringer med de oppgitte betingelsene og faktiske resultatene.
Implementering og verktøy
Produsenten dokumenterer verktøykall og anbefaler Qwen-Agent for maler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. En tilkoblet arbeidsflyt kan tilby gjenfinning, inspeksjon eller tillatt kjøring og returnere faktiske observasjoner. Oppgi verktøyene, tillatte handlinger og synlige fullføringsbetingelser, og be deretter sluttrapporten skille forslag fra faktiske returnerte resultater.
Prediksjon av flere tokener inngår i treningen, men bruken ved inferens avhenger av implementeringen og er ikke generelt tilgjengelig i enhver lettvektsarbeidsflyt. En mal eller arkitekturegenskap fastslår ikke i seg selv tilgang til aktuelle kilder, filer eller et kodemiljø. Behold den nøyaktige modellen og samtaleformatet som brukes av det valgte grensesnittet.
Svært lange tekster
Produsenten validerer en kontekst på omtrent én million tokener med YaRN og gir en oppskrift med faktor fire basert på 262 144 native posisjoner. For arbeidsmengder på 524 288 tokener foreslås faktor to. Statisk skalering kan redusere ytelsen på kortere tekster, så konfigurasjonen bør følge det faktiske behovet for lengre inndata.
Hold langt materiale organisert etter dokument, kodebane eller seksjon, og fjern irrelevante gjentakelser. Be svaret identifisere avsnittene eller betingelsene som underbygger det. Sett av plass til svaret fremfor å behandle det største konteksttallet som fullstendig hukommelse for hver oppgitt detalj. Den publiserte utvidelsesverdien på 1 010 000 og valideringen rundt én million er fortsatt avgrenset til produsentens arbeidsflyt for lang kontekst.
Genereringsveiledning
Best Practices anbefaler temperature 0,7, top_p 0,8, top_k 20 og min_p 0. Der det støttes, kan en presence penalty mellom null og to redusere gjentatt tekst, men høyere verdier kan blande språk eller redusere kvaliteten litt. Produsenten anbefaler et utdatabudsjett på 16 384 tokener for de fleste forespørsler. Dette er et anbefalt genereringsbudsjett fremfor en uavhengig absolutt maksimumsgrense; det bør ikke arve Thinking-utgavens større budsjetter.
Oppgi resultatformen eksplisitt, som en matematisk avgrensning eller et svarfelt. Hold sluttresultatet lett å inspisere, og kontroller beregninger, sitater eller kode mot kilden. Denne tekstutgaven tar ikke imot bilder, lyd eller video som egne inndata, så slike materialer trenger en egnet separat representasjon før de kan underbygge oppgaven.
Praktisk resultat
De nyttige utdataene er et konkret tekstprodukt forankret i de oppgitte betingelsene: en dokumentforklaring, et kodeforslag eller et direkte svar med nødvendige underbyggende detaljer. Lang kontekst og verktøykall kan bidra til å føre mer dokumentasjon gjennom en arbeidsflyt, mens non-thinking-kontrakten gjør utdatastilen til denne nøyaktige utgaven tydelig. Kontroller resultatet i det faktiske oppgavemiljøet fremfor å utlede riktighet fra lengden eller selvsikre formuleringer.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-next-80b-a3b-instruct | 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 $0.0022 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00014 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000286 / 1K tokener Utdata · Utgående tokener $0.0022 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00014 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.