Qwen3-1.7B kombinerer direkte svar og resonnement i en liten, tett språkmodell. Produsenten beskriver instruksjonsfølging, kreativ skriving, rollebaserte samtaler, matematikk, logiske problemer og kode, med mer enn 100 støttede språk og dialekter. Den mottar tekst og produserer tekst. En nyttig startoppgave er en presist spesifisert omforming: gjør en kort kundemelding om til et høflig svar, forklar et begrep for en bestemt leser eller omgjør et møtenotat til en handlingsliste.
Den nøyaktige utgivelsen har 1,7 milliarder parametere, inkludert 1,4 milliarder utenom embeddings, og 28 lag. Oppmerksomhet med grupperte spørringer bruker 16 spørringshoder og åtte nøkkel-/verdihoder. Modellens eget kort oppgir en kontekstlengde på 32 768 tokener. Dette er utgavens dokumenterte vindu; tall for større kontekst fra andre Qwen3-størrelser skal forbli knyttet til de separate kortene deres. Hold kildetekst, instruksjoner, samtalehistorikk og det etterspurte svaret innenfor det relevante sekvensbudsjettet. For en svarassistent oppgir du den mottatte meldingen, verifiserte bakgrunnsfakta, målgruppe og ønsket lengde fremfor et helt arkiv med uvedkommende korrespondanse.
Produsentens hurtigstart formaterer en samtale med modellens samtalemal. Klargjør en liten, fullstendig oppgave som kan kontrolleres mot kilden. For et handlingslisteeksempel oppgir du et notat med navn, datoer og beslutninger, ber om ett punkt per handling og krever en uttrykkelig ukjent verdi der ansvarlig person ikke er angitt. For et programmeringseksempel oppgir du én funksjon og representative inndata og ber deretter modellen forklare grenen som bestemmer resultatet. En returnert forklaring bør vise til de faktiske variablene og betingelsene fremfor å innføre hypotetisk oppførsel. Den publiserte integrasjonen forventer et kjøremiljø som forstår Qwen3; kortet advarer om at Transformers-versjoner under 4.51.0 ikke gjenkjenner den nødvendige arkitekturen.
Tenkning er aktivert som standard i den oppgitte malen. En hard bryter velger ikke-tenkende utdata uten en resonnementsdel. Når tenkning forblir aktivert, virker /think og /no_think som instruksjoner per samtaletur, der den siste styrer valget; de kan ikke overstyre en hardt deaktivert modus. Bruk direkteinnstillingen til en kort omskriving og en resonnementsinnstilling når et svar må forene flere betingelser. Hold mellomliggende resonnement adskilt fra sluttresultatet og behold sluttresultatet i senere dialoghistorikk. Når tenkning er aktivert, beholder selv en myk forespørsel om ikke-tenkning en resonnementsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
Agentbruk er en del av de publiserte egenskapene. Produsenten anbefaler Qwen-Agent til verktøyformatering og tolking, mens applikasjonen stiller verktøyene til rådighet og kjører dem. En avgrenset assistent kan be om et ordbokoppslag for et produktbegrep, motta den bekreftede definisjonen og deretter skrive om brukerens setning. Definer de tillatte argumentene og de returnerte feltene; kontroller begge deler før du bruker resultatet. Sluttteksten bør skille mellom oppgitte fakta, returnert informasjon og spørsmål som fortsatt er ubesvart. Qwen3-veiledningen beskriver også parallelle verktøykall og verktøykall i flere trinn, med argumenter representert som objekter og resultater ført tilbake til samtalen.
Utdatabudsjettet bør passe til hele oppgaven. Modellkortet gir genereringseksempler og anbefalinger om utdatalengde; disse er forskjellige fra en dokumentert maksimumsgrense på tjenestesiden. Korte etterspurte utdata er lette å verifisere: angi feltene, rekkefølgen og språket, og behold den opprinnelige meldingen tilgjengelig for sammenligning. Evaluer resultatet på den faktiske inndataklassen før du stoler på generering av lange tekster. Qwen3-dokumentasjonen drøfter assistentmeldingslengder på 38 912 tokener i tenkemodus og 16 384 i ikke-tenkemodus i forklaringen av treningslengde og anbefaler å evaluere kvaliteten ved lengre generering. Disse tallene er adskilt fra det samlede kontekstvinduet og er ikke en absolutt grense for et bestemt endepunkt.
Denne størrelsen har en egen merknad om vedvarende gjentakelser: kortet foreslår de anbefalte samplingsinnstillingene og presence_penalty 1.5 når betydelige gjentakelser oppstår. Høyere straffer kan noen ganger blande språk eller redusere ytelsen. For tenkning er den foreslåtte temperaturen 0,6 med top-p 0,95, top-k 20 og min-p 0; for ikke-tenkning er temperaturen 0,7 med top-p 0,8, top-k 20 og min-p 0. Unngå grådig dekoding i resonnementsmodus. Kontroller navn, datoer, etiketter og gjentatte setningsledd, og valider eventuelle strukturerte utdata før du overfører dem til en annen del av en applikasjon.
", "aboutText": "Qwen3-1.7B kombinerer direkte svar og resonnement i en liten, tett språkmodell. Produsenten beskriver instruksjonsfølging, kreativ skriving, rollebaserte samtaler, matematikk, logiske problemer og kode, med mer enn 100 støttede språk og dialekter. Den mottar tekst og produserer tekst. En nyttig startoppgave er en presist spesifisert omforming: gjør en kort kundemelding om til et høflig svar, forklar et begrep for en bestemt leser eller omgjør et møtenotat til en handlingsliste.\n\nDen nøyaktige utgivelsen har 1,7 milliarder parametere, inkludert 1,4 milliarder utenom embeddings, og 28 lag. Oppmerksomhet med grupperte spørringer bruker 16 spørringshoder og åtte nøkkel-/verdihoder. Modellens eget kort oppgir en kontekstlengde på 32 768 tokener. Dette er utgavens dokumenterte vindu; tall for større kontekst fra andre Qwen3-størrelser skal forbli knyttet til de separate kortene deres. Hold kildetekst, instruksjoner, samtalehistorikk og det etterspurte svaret innenfor det relevante sekvensbudsjettet. For en svarassistent oppgir du den mottatte meldingen, verifiserte bakgrunnsfakta, målgruppe og ønsket lengde fremfor et helt arkiv med uvedkommende korrespondanse.\n\nProdusentens hurtigstart formaterer en samtale med modellens samtalemal. Klargjør en liten, fullstendig oppgave som kan kontrolleres mot kilden. For et handlingslisteeksempel oppgir du et notat med navn, datoer og beslutninger, ber om ett punkt per handling og krever en uttrykkelig ukjent verdi der ansvarlig person ikke er angitt. For et programmeringseksempel oppgir du én funksjon og representative inndata og ber deretter modellen forklare grenen som bestemmer resultatet. En returnert forklaring bør vise til de faktiske variablene og betingelsene fremfor å innføre hypotetisk oppførsel. Den publiserte integrasjonen forventer et kjøremiljø som forstår Qwen3; kortet advarer om at Transformers-versjoner under 4.51.0 ikke gjenkjenner den nødvendige arkitekturen.\n\nTenkning er aktivert som standard i den oppgitte malen. En hard bryter velger ikke-tenkende utdata uten en resonnementsdel. Når tenkning forblir aktivert, virker /think og /no_think som instruksjoner per samtaletur, der den siste styrer valget; de kan ikke overstyre en hardt deaktivert modus. Bruk direkteinnstillingen til en kort omskriving og en resonnementsinnstilling når et svar må forene flere betingelser. Hold mellomliggende resonnement adskilt fra sluttresultatet og behold sluttresultatet i senere dialoghistorikk. Når tenkning er aktivert, beholder selv en myk forespørsel om ikke-tenkning en resonnementsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.\n\nAgentbruk er en del av de publiserte egenskapene. Produsenten anbefaler Qwen-Agent til verktøyformatering og tolking, mens applikasjonen stiller verktøyene til rådighet og kjører dem. En avgrenset assistent kan be om et ordbokoppslag for et produktbegrep, motta den bekreftede definisjonen og deretter skrive om brukerens setning. Definer de tillatte argumentene og de returnerte feltene; kontroller begge deler før du bruker resultatet. Sluttteksten bør skille mellom oppgitte fakta, returnert informasjon og spørsmål som fortsatt er ubesvart. Qwen3-veiledningen beskriver også parallelle verktøykall og verktøykall i flere trinn, med argumenter representert som objekter og resultater ført tilbake til samtalen.\n\nUtdatabudsjettet bør passe til hele oppgaven. Modellkortet gir genereringseksempler og anbefalinger om utdatalengde; disse er forskjellige fra en dokumentert maksimumsgrense på tjenestesiden. Korte etterspurte utdata er lette å verifisere: angi feltene, rekkefølgen og språket, og behold den opprinnelige meldingen tilgjengelig for sammenligning. Evaluer resultatet på den faktiske inndataklassen før du stoler på generering av lange tekster. Qwen3-dokumentasjonen drøfter assistentmeldingslengder på 38 912 tokener i tenkemodus og 16 384 i ikke-tenkemodus i forklaringen av treningslengde og anbefaler å evaluere kvaliteten ved lengre generering. Disse tallene er adskilt fra det samlede kontekstvinduet og er ikke en absolutt grense for et bestemt endepunkt.\n\nDenne størrelsen har en egen merknad om vedvarende gjentakelser: kortet foreslår de anbefalte samplingsinnstillingene og presence_penalty 1.5 når betydelige gjentakelser oppstår. Høyere straffer kan noen ganger blande språk eller redusere ytelsen. For tenkning er den foreslåtte temperaturen 0,6 med top-p 0,95, top-k 20 og min-p 0; for ikke-tenkning er temperaturen 0,7 med top-p 0,8, top-k 20 og min-p 0. Unngå grådig dekoding i resonnementsmodus. Kontroller navn, datoer, etiketter og gjentatte setningsledd, og valider eventuelle strukturerte utdata før du overfører dem til en annen del av en applikasjon.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B er en kompakt, tett tekstmodell med både direktesvar- og tenkemodus. Den støtter flerspråklig dialog, skriving, kode og verktøyorienterte instruksjoner, med en kontekst på 32 768 tokener dokumentert for akkurat denne utgivelsen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-1.7B kombinerer direkte svar og resonnement i en liten, tett språkmodell. Produsenten beskriver instruksjonsfølging, kreativ skriving, rollebaserte samtaler, matematikk, logiske problemer og kode, med mer enn 100 støttede språk og dialekter. Den mottar tekst og produserer tekst. En nyttig startoppgave er en presist spesifisert omforming: gjør en kort kundemelding om til et høflig svar, forklar et begrep for en bestemt leser eller omgjør et møtenotat til en handlingsliste.
Den nøyaktige utgivelsen har 1,7 milliarder parametere, inkludert 1,4 milliarder utenom embeddings, og 28 lag. Oppmerksomhet med grupperte spørringer bruker 16 spørringshoder og åtte nøkkel-/verdihoder. Modellens eget kort oppgir en kontekstlengde på 32 768 tokener. Dette er utgavens dokumenterte vindu; tall for større kontekst fra andre Qwen3-størrelser skal forbli knyttet til de separate kortene deres. Hold kildetekst, instruksjoner, samtalehistorikk og det etterspurte svaret innenfor det relevante sekvensbudsjettet. For en svarassistent oppgir du den mottatte meldingen, verifiserte bakgrunnsfakta, målgruppe og ønsket lengde fremfor et helt arkiv med uvedkommende korrespondanse.
Produsentens hurtigstart formaterer en samtale med modellens samtalemal. Klargjør en liten, fullstendig oppgave som kan kontrolleres mot kilden. For et handlingslisteeksempel oppgir du et notat med navn, datoer og beslutninger, ber om ett punkt per handling og krever en uttrykkelig ukjent verdi der ansvarlig person ikke er angitt. For et programmeringseksempel oppgir du én funksjon og representative inndata og ber deretter modellen forklare grenen som bestemmer resultatet. En returnert forklaring bør vise til de faktiske variablene og betingelsene fremfor å innføre hypotetisk oppførsel. Den publiserte integrasjonen forventer et kjøremiljø som forstår Qwen3; kortet advarer om at Transformers-versjoner under 4.51.0 ikke gjenkjenner den nødvendige arkitekturen.
Tenkning er aktivert som standard i den oppgitte malen. En hard bryter velger ikke-tenkende utdata uten en resonnementsdel. Når tenkning forblir aktivert, virker /think og /no_think som instruksjoner per samtaletur, der den siste styrer valget; de kan ikke overstyre en hardt deaktivert modus. Bruk direkteinnstillingen til en kort omskriving og en resonnementsinnstilling når et svar må forene flere betingelser. Hold mellomliggende resonnement adskilt fra sluttresultatet og behold sluttresultatet i senere dialoghistorikk. Når tenkning er aktivert, beholder selv en myk forespørsel om ikke-tenkning en resonnementsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
Agentbruk er en del av de publiserte egenskapene. Produsenten anbefaler Qwen-Agent til verktøyformatering og tolking, mens applikasjonen stiller verktøyene til rådighet og kjører dem. En avgrenset assistent kan be om et ordbokoppslag for et produktbegrep, motta den bekreftede definisjonen og deretter skrive om brukerens setning. Definer de tillatte argumentene og de returnerte feltene; kontroller begge deler før du bruker resultatet. Sluttteksten bør skille mellom oppgitte fakta, returnert informasjon og spørsmål som fortsatt er ubesvart. Qwen3-veiledningen beskriver også parallelle verktøykall og verktøykall i flere trinn, med argumenter representert som objekter og resultater ført tilbake til samtalen.
Utdatabudsjettet bør passe til hele oppgaven. Modellkortet gir genereringseksempler og anbefalinger om utdatalengde; disse er forskjellige fra en dokumentert maksimumsgrense på tjenestesiden. Korte etterspurte utdata er lette å verifisere: angi feltene, rekkefølgen og språket, og behold den opprinnelige meldingen tilgjengelig for sammenligning. Evaluer resultatet på den faktiske inndataklassen før du stoler på generering av lange tekster. Qwen3-dokumentasjonen drøfter assistentmeldingslengder på 38 912 tokener i tenkemodus og 16 384 i ikke-tenkemodus i forklaringen av treningslengde og anbefaler å evaluere kvaliteten ved lengre generering. Disse tallene er adskilt fra det samlede kontekstvinduet og er ikke en absolutt grense for et bestemt endepunkt.
Denne størrelsen har en egen merknad om vedvarende gjentakelser: kortet foreslår de anbefalte samplingsinnstillingene og presence_penalty 1.5 når betydelige gjentakelser oppstår. Høyere straffer kan noen ganger blande språk eller redusere ytelsen. For tenkning er den foreslåtte temperaturen 0,6 med top-p 0,95, top-k 20 og min-p 0; for ikke-tenkning er temperaturen 0,7 med top-p 0,8, top-k 20 og min-p 0. Unngå grådig dekoding i resonnementsmodus. Kontroller navn, datoer, etiketter og gjentatte setningsledd, og valider eventuelle strukturerte utdata før du overfører dem til en annen del av en applikasjon.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3-1.7b | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Bruk metodestiene som vises ovenfor.
qwen3-1.7bQwen3-1.7B er en kompakt, tett tekstmodell med både direktesvar- og tenkemodus. Den støtter flerspråklig dialog, skriving, kode og verktøyorienterte instruksjoner, med en kontekst på 32 768 tokener dokumentert for akkurat denne utgivelsen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-1.7B kombinerer direkte svar og resonnement i en liten, tett språkmodell. Produsenten beskriver instruksjonsfølging, kreativ skriving, rollebaserte samtaler, matematikk, logiske problemer og kode, med mer enn 100 støttede språk og dialekter. Den mottar tekst og produserer tekst. En nyttig startoppgave er en presist spesifisert omforming: gjør en kort kundemelding om til et høflig svar, forklar et begrep for en bestemt leser eller omgjør et møtenotat til en handlingsliste.
Den nøyaktige utgivelsen har 1,7 milliarder parametere, inkludert 1,4 milliarder utenom embeddings, og 28 lag. Oppmerksomhet med grupperte spørringer bruker 16 spørringshoder og åtte nøkkel-/verdihoder. Modellens eget kort oppgir en kontekstlengde på 32 768 tokener. Dette er utgavens dokumenterte vindu; tall for større kontekst fra andre Qwen3-størrelser skal forbli knyttet til de separate kortene deres. Hold kildetekst, instruksjoner, samtalehistorikk og det etterspurte svaret innenfor det relevante sekvensbudsjettet. For en svarassistent oppgir du den mottatte meldingen, verifiserte bakgrunnsfakta, målgruppe og ønsket lengde fremfor et helt arkiv med uvedkommende korrespondanse.
Produsentens hurtigstart formaterer en samtale med modellens samtalemal. Klargjør en liten, fullstendig oppgave som kan kontrolleres mot kilden. For et handlingslisteeksempel oppgir du et notat med navn, datoer og beslutninger, ber om ett punkt per handling og krever en uttrykkelig ukjent verdi der ansvarlig person ikke er angitt. For et programmeringseksempel oppgir du én funksjon og representative inndata og ber deretter modellen forklare grenen som bestemmer resultatet. En returnert forklaring bør vise til de faktiske variablene og betingelsene fremfor å innføre hypotetisk oppførsel. Den publiserte integrasjonen forventer et kjøremiljø som forstår Qwen3; kortet advarer om at Transformers-versjoner under 4.51.0 ikke gjenkjenner den nødvendige arkitekturen.
Tenkning er aktivert som standard i den oppgitte malen. En hard bryter velger ikke-tenkende utdata uten en resonnementsdel. Når tenkning forblir aktivert, virker /think og /no_think som instruksjoner per samtaletur, der den siste styrer valget; de kan ikke overstyre en hardt deaktivert modus. Bruk direkteinnstillingen til en kort omskriving og en resonnementsinnstilling når et svar må forene flere betingelser. Hold mellomliggende resonnement adskilt fra sluttresultatet og behold sluttresultatet i senere dialoghistorikk. Når tenkning er aktivert, beholder selv en myk forespørsel om ikke-tenkning en resonnementsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
Agentbruk er en del av de publiserte egenskapene. Produsenten anbefaler Qwen-Agent til verktøyformatering og tolking, mens applikasjonen stiller verktøyene til rådighet og kjører dem. En avgrenset assistent kan be om et ordbokoppslag for et produktbegrep, motta den bekreftede definisjonen og deretter skrive om brukerens setning. Definer de tillatte argumentene og de returnerte feltene; kontroller begge deler før du bruker resultatet. Sluttteksten bør skille mellom oppgitte fakta, returnert informasjon og spørsmål som fortsatt er ubesvart. Qwen3-veiledningen beskriver også parallelle verktøykall og verktøykall i flere trinn, med argumenter representert som objekter og resultater ført tilbake til samtalen.
Utdatabudsjettet bør passe til hele oppgaven. Modellkortet gir genereringseksempler og anbefalinger om utdatalengde; disse er forskjellige fra en dokumentert maksimumsgrense på tjenestesiden. Korte etterspurte utdata er lette å verifisere: angi feltene, rekkefølgen og språket, og behold den opprinnelige meldingen tilgjengelig for sammenligning. Evaluer resultatet på den faktiske inndataklassen før du stoler på generering av lange tekster. Qwen3-dokumentasjonen drøfter assistentmeldingslengder på 38 912 tokener i tenkemodus og 16 384 i ikke-tenkemodus i forklaringen av treningslengde og anbefaler å evaluere kvaliteten ved lengre generering. Disse tallene er adskilt fra det samlede kontekstvinduet og er ikke en absolutt grense for et bestemt endepunkt.
Denne størrelsen har en egen merknad om vedvarende gjentakelser: kortet foreslår de anbefalte samplingsinnstillingene og presence_penalty 1.5 når betydelige gjentakelser oppstår. Høyere straffer kan noen ganger blande språk eller redusere ytelsen. For tenkning er den foreslåtte temperaturen 0,6 med top-p 0,95, top-k 20 og min-p 0; for ikke-tenkning er temperaturen 0,7 med top-p 0,8, top-k 20 og min-p 0. Unngå grådig dekoding i resonnementsmodus. Kontroller navn, datoer, etiketter og gjentatte setningsledd, og valider eventuelle strukturerte utdata før du overfører dem til en annen del av en applikasjon.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3-1.7b | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.