Qwen3-Next-høydepunkter: kompleks resonnering i tekst
Qwen3-Next-80B-A3B-Thinking er tekstutgaven av Qwen3-Next som bare bruker thinking. Produsenten anbefaler den for svært komplekse resonneringsoppgaver og påpeker at thinking kan være lengre enn i tidligere modeller. Den tar imot tekst og returnerer tekst, inkludert et forklart svar eller et kodeforslag. Hold den atskilt fra Qwen3-Next-80B-A3B-Instruct og Qwen3-Coder-Next, som har andre non-thinking-kontrakter.
Familien introduserer hybrid attention som kombinerer Gated DeltaNet og gated attention, eksperter med høy sparsitet, stabilitetsteknikker som nullsentrert lagnormalisering med vektavtagning, og prediksjon av flere tokener. Qwen beskriver også stabilisering av forsterkningslæring gjennom GSPO. Dette er trenings- og arkitekturegenskaper; effektivitetsgevinster avhenger av implementeringen og bør ikke bli en universell påstand om svartid.
Modelloversikt
Modellen har totalt 80 milliarder parametere og aktiverer tre milliarder. Den har 48 lag i et 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. Kildetekst, tidligere meldinger, verktøyobservasjoner, resonnering og endelige utdata deler den konfigurerte sekvenskapasiteten. For kompleks thinking anbefaler produsenten en konfigurert kontekst større enn 131 072 der det er mulig, selv om et mindre vindu ville redusere minnepresset.
Bruke grensesnittet som bare har thinking
Standardmalen for samtaler inneholder allerede åpningsmarkøren for thinking. En returnert sekvens kan derfor inneholde avslutningsmarkøren uten å gjenta åpningsmarkøren. Dette er normal formatering for produsentens oppskrift, ikke bevis for at resonneringen mangler. Modellen støtter bare thinking-modus; en forespørsel om et kortfattet sluttsvar gjør den ikke til en non-thinking-utgave.
For et matematisk eller logisk problem bør du gi den fullstendige oppgaven, definisjoner, enheter og tillatte antakelser. Be om et tydelig avgrenset sluttsvar med de underbyggende stegene som trengs for å kontrollere det. For resonnering om kode bør du legge ved den relevante funksjonen, inndataene og ønsket oppførsel, og deretter be om et forklart forslag. Sammenlign underbyggende beregninger eller foreslåtte kodeendringer med de oppgitte betingelsene og faktiske resultatene.
Implementering og verktøy
Produsentens eksempler støtter utviklings- og verktøyarbeidsflyter og anbefaler Qwen-Agent for verktøymaler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. Definer tillatte verktøy, oppgavemålet og en observerbar fullføringsbetingelse. Applikasjonen utfører eksterne handlinger og returnerer faktiske observasjoner; modellen kan deretter bruke denne tilbakemeldingen i neste svar.
Prediksjon av flere tokener inngår i treningen, men bruken ved inferens avhenger av implementeringen og er ikke generelt tilgjengelig i enhver lettvektsarbeidsflyt. Behold dette skillet når du vurderer en utrulling. Verktøy- eller arkitekturegenskaper alene fastslår ikke tilgang til filer, aktuelle kilder eller et kjøremiljø gjennom en annen applikasjon.
Svært lange tekster
Den dokumenterte utvidelsen bruker YaRN. Produsenten validerer en kontekst på omtrent én million tokener og gir en oppskrift med faktor fire basert på de native 262 144 posisjonene; for arbeidsmengder på 524 288 tokener foreslås faktor to. Statisk skalering kan påvirke ytelsen på kortere tekster, så den bør følge det faktiske behovet for lengre inndata.
Organiser store inndata med dokumentgrenser og kode- eller seksjonsidentifikatorer. Oppgi spørsmålet og det forventede resultatet slik at modellen kan koble sammen relevant dokumentasjon fremfor å behandle hele vinduet som en erstatning for en tydelig oppgave. Sett av plass til den potensielt lange resonneringen og sluttresultatet.
Genereringsveiledning
Best Practices anbefaler temperature 0,6, top_p 0,95, 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. Qwen anbefaler et genereringsbudsjett på 32 768 tokener for de fleste spørsmål og 81 920 for uvanlig komplekse matematikk- eller programmeringsoppgaver. Dette er anbefalinger fremfor uavhengige absolutte utdatagrenser.
Oppgi formatet for sluttsvaret eksplisitt, som et avgrenset matematisk resultat eller et svarfelt. Produsenten anbefaler å beholde endelige utdata uten thinking-innhold i tidligere assistentmeldinger, i tråd med malen til dette sjekkpunktet. Senere modellers alternativer for å bevare tidligere resonnering bør ikke importeres automatisk.
Vesentlige begrensninger
Dette er en modell som bare behandler tekst. Bilder, lyd eller video trenger en egnet separat representasjon før de kan brukes som dokumentasjon i denne arbeidsflyten. Lang thinking og kontekst er begrensede ressurser, og detaljert resonnering beviser ikke uavhengig at resultatet er riktig. Kontroller antakelser, beregninger og generert kode mot den oppgitte kilden. Det nyttige resultatet er et svar eller produkt som kan gjennomgås, med dokumentasjonen synlig og identiteten som thinking-utgave bevart.
", "aboutText": "Qwen3-Next-høydepunkter: kompleks resonnering i tekst\n\nQwen3-Next-80B-A3B-Thinking er tekstutgaven av Qwen3-Next som bare bruker thinking. Produsenten anbefaler den for svært komplekse resonneringsoppgaver og påpeker at thinking kan være lengre enn i tidligere modeller. Den tar imot tekst og returnerer tekst, inkludert et forklart svar eller et kodeforslag. Hold den atskilt fra Qwen3-Next-80B-A3B-Instruct og Qwen3-Coder-Next, som har andre non-thinking-kontrakter.\n\nFamilien introduserer hybrid attention som kombinerer Gated DeltaNet og gated attention, eksperter med høy sparsitet, stabilitetsteknikker som nullsentrert lagnormalisering med vektavtagning, og prediksjon av flere tokener. Qwen beskriver også stabilisering av forsterkningslæring gjennom GSPO. Dette er trenings- og arkitekturegenskaper; effektivitetsgevinster avhenger av implementeringen og bør ikke bli en universell påstand om svartid.\n\nModelloversikt\n\nModellen har totalt 80 milliarder parametere og aktiverer tre milliarder. Den har 48 lag i et 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. Kildetekst, tidligere meldinger, verktøyobservasjoner, resonnering og endelige utdata deler den konfigurerte sekvenskapasiteten. For kompleks thinking anbefaler produsenten en konfigurert kontekst større enn 131 072 der det er mulig, selv om et mindre vindu ville redusere minnepresset.\n\nBruke grensesnittet som bare har thinking\n\nStandardmalen for samtaler inneholder allerede åpningsmarkøren for thinking. En returnert sekvens kan derfor inneholde avslutningsmarkøren uten å gjenta åpningsmarkøren. Dette er normal formatering for produsentens oppskrift, ikke bevis for at resonneringen mangler. Modellen støtter bare thinking-modus; en forespørsel om et kortfattet sluttsvar gjør den ikke til en non-thinking-utgave.\n\nFor et matematisk eller logisk problem bør du gi den fullstendige oppgaven, definisjoner, enheter og tillatte antakelser. Be om et tydelig avgrenset sluttsvar med de underbyggende stegene som trengs for å kontrollere det. For resonnering om kode bør du legge ved den relevante funksjonen, inndataene og ønsket oppførsel, og deretter be om et forklart forslag. Sammenlign underbyggende beregninger eller foreslåtte kodeendringer med de oppgitte betingelsene og faktiske resultatene.\n\nImplementering og verktøy\n\nProdusentens eksempler støtter utviklings- og verktøyarbeidsflyter og anbefaler Qwen-Agent for verktøymaler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. Definer tillatte verktøy, oppgavemålet og en observerbar fullføringsbetingelse. Applikasjonen utfører eksterne handlinger og returnerer faktiske observasjoner; modellen kan deretter bruke denne tilbakemeldingen i neste svar.\n\nPrediksjon av flere tokener inngår i treningen, men bruken ved inferens avhenger av implementeringen og er ikke generelt tilgjengelig i enhver lettvektsarbeidsflyt. Behold dette skillet når du vurderer en utrulling. Verktøy- eller arkitekturegenskaper alene fastslår ikke tilgang til filer, aktuelle kilder eller et kjøremiljø gjennom en annen applikasjon.\n\nSvært lange tekster\n\nDen dokumenterte utvidelsen bruker YaRN. Produsenten validerer en kontekst på omtrent én million tokener og gir en oppskrift med faktor fire basert på de native 262 144 posisjonene; for arbeidsmengder på 524 288 tokener foreslås faktor to. Statisk skalering kan påvirke ytelsen på kortere tekster, så den bør følge det faktiske behovet for lengre inndata.\n\nOrganiser store inndata med dokumentgrenser og kode- eller seksjonsidentifikatorer. Oppgi spørsmålet og det forventede resultatet slik at modellen kan koble sammen relevant dokumentasjon fremfor å behandle hele vinduet som en erstatning for en tydelig oppgave. Sett av plass til den potensielt lange resonneringen og sluttresultatet.\n\nGenereringsveiledning\n\nBest Practices anbefaler temperature 0,6, top_p 0,95, 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. Qwen anbefaler et genereringsbudsjett på 32 768 tokener for de fleste spørsmål og 81 920 for uvanlig komplekse matematikk- eller programmeringsoppgaver. Dette er anbefalinger fremfor uavhengige absolutte utdatagrenser.\n\nOppgi formatet for sluttsvaret eksplisitt, som et avgrenset matematisk resultat eller et svarfelt. Produsenten anbefaler å beholde endelige utdata uten thinking-innhold i tidligere assistentmeldinger, i tråd med malen til dette sjekkpunktet. Senere modellers alternativer for å bevare tidligere resonnering bør ikke importeres automatisk.\n\nVesentlige begrensninger\n\nDette er en modell som bare behandler tekst. Bilder, lyd eller video trenger en egnet separat representasjon før de kan brukes som dokumentasjon i denne arbeidsflyten. Lang thinking og kontekst er begrensede ressurser, og detaljert resonnering beviser ikke uavhengig at resultatet er riktig. Kontroller antakelser, beregninger og generert kode mot den oppgitte kilden. Det nyttige resultatet er et svar eller produkt som kan gjennomgås, med dokumentasjonen synlig og identiteten som thinking-utgave bevart.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking er Qwens tekstmodell for resonnering med totalt 80 milliarder og 3 milliarder aktiverte parametere. Den bruker bare thinking, hybrid attention og sparsomme eksperter til komplekse oppgaver, med nativ kontekst på 262 144 tokener og betinget utvidelse til 1 010 000.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Next-høydepunkter: kompleks resonnering i tekst
Qwen3-Next-80B-A3B-Thinking er tekstutgaven av Qwen3-Next som bare bruker thinking. Produsenten anbefaler den for svært komplekse resonneringsoppgaver og påpeker at thinking kan være lengre enn i tidligere modeller. Den tar imot tekst og returnerer tekst, inkludert et forklart svar eller et kodeforslag. Hold den atskilt fra Qwen3-Next-80B-A3B-Instruct og Qwen3-Coder-Next, som har andre non-thinking-kontrakter.
Familien introduserer hybrid attention som kombinerer Gated DeltaNet og gated attention, eksperter med høy sparsitet, stabilitetsteknikker som nullsentrert lagnormalisering med vektavtagning, og prediksjon av flere tokener. Qwen beskriver også stabilisering av forsterkningslæring gjennom GSPO. Dette er trenings- og arkitekturegenskaper; effektivitetsgevinster avhenger av implementeringen og bør ikke bli en universell påstand om svartid.
Modelloversikt
Modellen har totalt 80 milliarder parametere og aktiverer tre milliarder. Den har 48 lag i et 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. Kildetekst, tidligere meldinger, verktøyobservasjoner, resonnering og endelige utdata deler den konfigurerte sekvenskapasiteten. For kompleks thinking anbefaler produsenten en konfigurert kontekst større enn 131 072 der det er mulig, selv om et mindre vindu ville redusere minnepresset.
Bruke grensesnittet som bare har thinking
Standardmalen for samtaler inneholder allerede åpningsmarkøren for thinking. En returnert sekvens kan derfor inneholde avslutningsmarkøren uten å gjenta åpningsmarkøren. Dette er normal formatering for produsentens oppskrift, ikke bevis for at resonneringen mangler. Modellen støtter bare thinking-modus; en forespørsel om et kortfattet sluttsvar gjør den ikke til en non-thinking-utgave.
For et matematisk eller logisk problem bør du gi den fullstendige oppgaven, definisjoner, enheter og tillatte antakelser. Be om et tydelig avgrenset sluttsvar med de underbyggende stegene som trengs for å kontrollere det. For resonnering om kode bør du legge ved den relevante funksjonen, inndataene og ønsket oppførsel, og deretter be om et forklart forslag. Sammenlign underbyggende beregninger eller foreslåtte kodeendringer med de oppgitte betingelsene og faktiske resultatene.
Implementering og verktøy
Produsentens eksempler støtter utviklings- og verktøyarbeidsflyter og anbefaler Qwen-Agent for verktøymaler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. Definer tillatte verktøy, oppgavemålet og en observerbar fullføringsbetingelse. Applikasjonen utfører eksterne handlinger og returnerer faktiske observasjoner; modellen kan deretter bruke denne tilbakemeldingen i neste svar.
Prediksjon av flere tokener inngår i treningen, men bruken ved inferens avhenger av implementeringen og er ikke generelt tilgjengelig i enhver lettvektsarbeidsflyt. Behold dette skillet når du vurderer en utrulling. Verktøy- eller arkitekturegenskaper alene fastslår ikke tilgang til filer, aktuelle kilder eller et kjøremiljø gjennom en annen applikasjon.
Svært lange tekster
Den dokumenterte utvidelsen bruker YaRN. Produsenten validerer en kontekst på omtrent én million tokener og gir en oppskrift med faktor fire basert på de native 262 144 posisjonene; for arbeidsmengder på 524 288 tokener foreslås faktor to. Statisk skalering kan påvirke ytelsen på kortere tekster, så den bør følge det faktiske behovet for lengre inndata.
Organiser store inndata med dokumentgrenser og kode- eller seksjonsidentifikatorer. Oppgi spørsmålet og det forventede resultatet slik at modellen kan koble sammen relevant dokumentasjon fremfor å behandle hele vinduet som en erstatning for en tydelig oppgave. Sett av plass til den potensielt lange resonneringen og sluttresultatet.
Genereringsveiledning
Best Practices anbefaler temperature 0,6, top_p 0,95, 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. Qwen anbefaler et genereringsbudsjett på 32 768 tokener for de fleste spørsmål og 81 920 for uvanlig komplekse matematikk- eller programmeringsoppgaver. Dette er anbefalinger fremfor uavhengige absolutte utdatagrenser.
Oppgi formatet for sluttsvaret eksplisitt, som et avgrenset matematisk resultat eller et svarfelt. Produsenten anbefaler å beholde endelige utdata uten thinking-innhold i tidligere assistentmeldinger, i tråd med malen til dette sjekkpunktet. Senere modellers alternativer for å bevare tidligere resonnering bør ikke importeres automatisk.
Vesentlige begrensninger
Dette er en modell som bare behandler tekst. Bilder, lyd eller video trenger en egnet separat representasjon før de kan brukes som dokumentasjon i denne arbeidsflyten. Lang thinking og kontekst er begrensede ressurser, og detaljert resonnering beviser ikke uavhengig at resultatet er riktig. Kontroller antakelser, beregninger og generert kode mot den oppgitte kilden. Det nyttige resultatet er et svar eller produkt som kan gjennomgås, med dokumentasjonen synlig og identiteten som thinking-utgave bevart.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-thinking',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-thinking',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-thinking
Bruk metodestiene som vises ovenfor.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking er Qwens tekstmodell for resonnering med totalt 80 milliarder og 3 milliarder aktiverte parametere. Den bruker bare thinking, hybrid attention og sparsomme eksperter til komplekse oppgaver, med nativ kontekst på 262 144 tokener og betinget utvidelse til 1 010 000.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Next-høydepunkter: kompleks resonnering i tekst
Qwen3-Next-80B-A3B-Thinking er tekstutgaven av Qwen3-Next som bare bruker thinking. Produsenten anbefaler den for svært komplekse resonneringsoppgaver og påpeker at thinking kan være lengre enn i tidligere modeller. Den tar imot tekst og returnerer tekst, inkludert et forklart svar eller et kodeforslag. Hold den atskilt fra Qwen3-Next-80B-A3B-Instruct og Qwen3-Coder-Next, som har andre non-thinking-kontrakter.
Familien introduserer hybrid attention som kombinerer Gated DeltaNet og gated attention, eksperter med høy sparsitet, stabilitetsteknikker som nullsentrert lagnormalisering med vektavtagning, og prediksjon av flere tokener. Qwen beskriver også stabilisering av forsterkningslæring gjennom GSPO. Dette er trenings- og arkitekturegenskaper; effektivitetsgevinster avhenger av implementeringen og bør ikke bli en universell påstand om svartid.
Modelloversikt
Modellen har totalt 80 milliarder parametere og aktiverer tre milliarder. Den har 48 lag i et 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. Kildetekst, tidligere meldinger, verktøyobservasjoner, resonnering og endelige utdata deler den konfigurerte sekvenskapasiteten. For kompleks thinking anbefaler produsenten en konfigurert kontekst større enn 131 072 der det er mulig, selv om et mindre vindu ville redusere minnepresset.
Bruke grensesnittet som bare har thinking
Standardmalen for samtaler inneholder allerede åpningsmarkøren for thinking. En returnert sekvens kan derfor inneholde avslutningsmarkøren uten å gjenta åpningsmarkøren. Dette er normal formatering for produsentens oppskrift, ikke bevis for at resonneringen mangler. Modellen støtter bare thinking-modus; en forespørsel om et kortfattet sluttsvar gjør den ikke til en non-thinking-utgave.
For et matematisk eller logisk problem bør du gi den fullstendige oppgaven, definisjoner, enheter og tillatte antakelser. Be om et tydelig avgrenset sluttsvar med de underbyggende stegene som trengs for å kontrollere det. For resonnering om kode bør du legge ved den relevante funksjonen, inndataene og ønsket oppførsel, og deretter be om et forklart forslag. Sammenlign underbyggende beregninger eller foreslåtte kodeendringer med de oppgitte betingelsene og faktiske resultatene.
Implementering og verktøy
Produsentens eksempler støtter utviklings- og verktøyarbeidsflyter og anbefaler Qwen-Agent for verktøymaler og tolking, med konfigurerte verktøy eller verktøy tilkoblet via MCP. Definer tillatte verktøy, oppgavemålet og en observerbar fullføringsbetingelse. Applikasjonen utfører eksterne handlinger og returnerer faktiske observasjoner; modellen kan deretter bruke denne tilbakemeldingen i neste svar.
Prediksjon av flere tokener inngår i treningen, men bruken ved inferens avhenger av implementeringen og er ikke generelt tilgjengelig i enhver lettvektsarbeidsflyt. Behold dette skillet når du vurderer en utrulling. Verktøy- eller arkitekturegenskaper alene fastslår ikke tilgang til filer, aktuelle kilder eller et kjøremiljø gjennom en annen applikasjon.
Svært lange tekster
Den dokumenterte utvidelsen bruker YaRN. Produsenten validerer en kontekst på omtrent én million tokener og gir en oppskrift med faktor fire basert på de native 262 144 posisjonene; for arbeidsmengder på 524 288 tokener foreslås faktor to. Statisk skalering kan påvirke ytelsen på kortere tekster, så den bør følge det faktiske behovet for lengre inndata.
Organiser store inndata med dokumentgrenser og kode- eller seksjonsidentifikatorer. Oppgi spørsmålet og det forventede resultatet slik at modellen kan koble sammen relevant dokumentasjon fremfor å behandle hele vinduet som en erstatning for en tydelig oppgave. Sett av plass til den potensielt lange resonneringen og sluttresultatet.
Genereringsveiledning
Best Practices anbefaler temperature 0,6, top_p 0,95, 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. Qwen anbefaler et genereringsbudsjett på 32 768 tokener for de fleste spørsmål og 81 920 for uvanlig komplekse matematikk- eller programmeringsoppgaver. Dette er anbefalinger fremfor uavhengige absolutte utdatagrenser.
Oppgi formatet for sluttsvaret eksplisitt, som et avgrenset matematisk resultat eller et svarfelt. Produsenten anbefaler å beholde endelige utdata uten thinking-innhold i tidligere assistentmeldinger, i tråd med malen til dette sjekkpunktet. Senere modellers alternativer for å bevare tidligere resonnering bør ikke importeres automatisk.
Vesentlige begrensninger
Dette er en modell som bare behandler tekst. Bilder, lyd eller video trenger en egnet separat representasjon før de kan brukes som dokumentasjon i denne arbeidsflyten. Lang thinking og kontekst er begrensede ressurser, og detaljert resonnering beviser ikke uavhengig at resultatet er riktig. Kontroller antakelser, beregninger og generert kode mot den oppgitte kilden. Det nyttige resultatet er et svar eller produkt som kan gjennomgås, med dokumentasjonen synlig og identiteten som thinking-utgave bevart.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.