Qwen3-235B-A22B overfører Qwen3s hybride resonnementstilnærming til en stor mixture-of-experts-modell. Tekstferdighetene omfatter matematiske og logiske problemer, kodegenerering, kreativ skriving, rollebaserte samtaler og instruksjonsfølging over flere samtaleturer. Den arbeider på mer enn 100 språk og dialekter. For en diskusjon om produktutvikling oppgir du kravene, et konkret eksempel og beslutningen du trenger: en sammenligning av utforminger, en implementasjon eller en forklaring en bestemt målgruppe kan bruke.
Modellen har totalt 235 milliarder parametere og aktiverer 22 milliarder under behandling. Arkitekturen inneholder 128 eksperter, velger åtte av dem og har 94 lag. Disse tallene identifiserer denne utgivelsen; de mindre Qwen3-modellene og FP8-utgaven har egne identiteter. Inndata og utdata er tekst. En egnet utviklingsoppgave er å sammenligne to avstemmingsalgoritmer med de samme eksempeloppføringene, identifisere begrensningene hver av dem oppfyller, og returnere den valgte algoritmen med testtilfeller. Oppgi de faktiske feltnavnene, reglene for duplikathåndtering og forventede summer, slik at svaret kan kontrolleres mot det opprinnelige problemet.
Klargjør forespørselen som samtalemeldinger og hold kildemateriale adskilt fra instruksjoner. For et matematisk spørsmål tar du med hele oppgaveteksten, tillatte forutsetninger og notasjon og ber deretter om et sluttresultat i en angitt form. For kode tar du med relevant funksjon, språk, representative inndata og observert feil. Be om den minste begrunnede endringen og beskriv hvilken eksisterende oppførsel som må bevares. For flerspråklig skriving oppgir du målgruppe og en terminologiliste fremfor å be om en generell oversettelse. 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 og ikke-tenkning er moduser i den samme modellen. Produsentens samtalemal aktiverer tenkning som standard; en hard bryter kan deaktivere den. Når tenkning forblir aktivert, gir /think og /no_think kontroll på samtaleturnivå, der den siste instruksjonen har forrang. En hardt deaktivert modus reagerer ikke på disse myke bryterne. I et utviklergrensesnitt holder du sluttresultatet adskilt fra resonnementsdelen og tar sluttresultatet med i senere samtalehistorikk. Velg modus bevisst: en algoritmeuenighet og en kort omskriving trenger forskjellig mengde analyse. Når tenkning er aktivert, beholder selv en myk forespørsel om ikke-tenkning en resonnementsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
For agentarbeidsflyter anbefaler produsenten Qwen-Agent til verktøymaler og tolking. Verktøy kan omfatte tilknyttede tjenester eller en kodefortolker; applikasjonen definerer og kjører dem. Gi for eksempel en assistent et skrivebeskyttet lageroppslag med dokumenterte felt og be den sammenligne returnert lagerbeholdning med den oppgitte bestillingen. Definer verktøyets formål, aksepterte argumenter, resultatform og tillatelsesgrense. Krev at sluttresultatet skiller mellom en foreslått handling og et bekreftet verktøyresultat. Modellens verktøyrelaterte egenskaper får ikke en ekstern handling til å skje av seg selv. Qwen3-veiledningen beskriver også parallelle verktøykall og verktøykall i flere trinn, med argumenter representert som objekter og resultater ført tilbake til samtalen.
Den innebygde konteksten er 32 768 tokener. Produsenten validerer 131 072 tokener med YaRN-utvidelse; dette er konfigurasjonsavhengig, og statisk skalering kan påvirke kortere inndata. Kontekstbudsjettet inkluderer både forespørselen og det genererte svaret. For en lang spesifikasjon identifiserer du delene som er relevante for beslutningen, merker dem og reserverer plass til svaret fremfor å fylle hele budsjettet med kildetekst. Kortet anbefaler 32 768 utdatatokener for de fleste forespørsler fremfor å erklære denne verdien som en universell tjenestegrense. 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. Kortet forklarer også den standardmessige posisjonstildelingen på 40 960 tokener som 8 192 til vanlige prompter pluss 32 768 til utdata; dette er produsentens konfigurasjonsveiledning, adskilt fra den innebygde treningskonteksten og eventuelle endepunktgrenser.
Anbefalt sampling i tenkemodus er temperatur 0,6, top-p 0,95, top-k 20 og min-p 0; ikke-tenkning bruker 0,7, 0,8, 20 og 0. Produsenten anbefaler dekoding med sampling og advarer om at grådig dekoding i tenkemodus kan føre til gjentakelser. Høyere tilstedeværelsesstraffer kan også føre til språkblanding. Gjør resultatet lett å gjennomgå: be om et navngitt felt for sluttresultatet, en beslutningstabell med begrunnelser eller en kodeendring med eksempler. Kontroller beregninger mot de oppgitte tallene, kjør foreslått kode i det tiltenkte miljøet og gjennomgå verktøyresultater før du handler.
", "aboutText": "Qwen3-235B-A22B overfører Qwen3s hybride resonnementstilnærming til en stor mixture-of-experts-modell. Tekstferdighetene omfatter matematiske og logiske problemer, kodegenerering, kreativ skriving, rollebaserte samtaler og instruksjonsfølging over flere samtaleturer. Den arbeider på mer enn 100 språk og dialekter. For en diskusjon om produktutvikling oppgir du kravene, et konkret eksempel og beslutningen du trenger: en sammenligning av utforminger, en implementasjon eller en forklaring en bestemt målgruppe kan bruke.\n\nModellen har totalt 235 milliarder parametere og aktiverer 22 milliarder under behandling. Arkitekturen inneholder 128 eksperter, velger åtte av dem og har 94 lag. Disse tallene identifiserer denne utgivelsen; de mindre Qwen3-modellene og FP8-utgaven har egne identiteter. Inndata og utdata er tekst. En egnet utviklingsoppgave er å sammenligne to avstemmingsalgoritmer med de samme eksempeloppføringene, identifisere begrensningene hver av dem oppfyller, og returnere den valgte algoritmen med testtilfeller. Oppgi de faktiske feltnavnene, reglene for duplikathåndtering og forventede summer, slik at svaret kan kontrolleres mot det opprinnelige problemet.\n\nKlargjør forespørselen som samtalemeldinger og hold kildemateriale adskilt fra instruksjoner. For et matematisk spørsmål tar du med hele oppgaveteksten, tillatte forutsetninger og notasjon og ber deretter om et sluttresultat i en angitt form. For kode tar du med relevant funksjon, språk, representative inndata og observert feil. Be om den minste begrunnede endringen og beskriv hvilken eksisterende oppførsel som må bevares. For flerspråklig skriving oppgir du målgruppe og en terminologiliste fremfor å be om en generell oversettelse. 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 og ikke-tenkning er moduser i den samme modellen. Produsentens samtalemal aktiverer tenkning som standard; en hard bryter kan deaktivere den. Når tenkning forblir aktivert, gir /think og /no_think kontroll på samtaleturnivå, der den siste instruksjonen har forrang. En hardt deaktivert modus reagerer ikke på disse myke bryterne. I et utviklergrensesnitt holder du sluttresultatet adskilt fra resonnementsdelen og tar sluttresultatet med i senere samtalehistorikk. Velg modus bevisst: en algoritmeuenighet og en kort omskriving trenger forskjellig mengde analyse. Når tenkning er aktivert, beholder selv en myk forespørsel om ikke-tenkning en resonnementsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.\n\nFor agentarbeidsflyter anbefaler produsenten Qwen-Agent til verktøymaler og tolking. Verktøy kan omfatte tilknyttede tjenester eller en kodefortolker; applikasjonen definerer og kjører dem. Gi for eksempel en assistent et skrivebeskyttet lageroppslag med dokumenterte felt og be den sammenligne returnert lagerbeholdning med den oppgitte bestillingen. Definer verktøyets formål, aksepterte argumenter, resultatform og tillatelsesgrense. Krev at sluttresultatet skiller mellom en foreslått handling og et bekreftet verktøyresultat. Modellens verktøyrelaterte egenskaper får ikke en ekstern handling til å skje av seg selv. Qwen3-veiledningen beskriver også parallelle verktøykall og verktøykall i flere trinn, med argumenter representert som objekter og resultater ført tilbake til samtalen.\n\nDen innebygde konteksten er 32 768 tokener. Produsenten validerer 131 072 tokener med YaRN-utvidelse; dette er konfigurasjonsavhengig, og statisk skalering kan påvirke kortere inndata. Kontekstbudsjettet inkluderer både forespørselen og det genererte svaret. For en lang spesifikasjon identifiserer du delene som er relevante for beslutningen, merker dem og reserverer plass til svaret fremfor å fylle hele budsjettet med kildetekst. Kortet anbefaler 32 768 utdatatokener for de fleste forespørsler fremfor å erklære denne verdien som en universell tjenestegrense. 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. Kortet forklarer også den standardmessige posisjonstildelingen på 40 960 tokener som 8 192 til vanlige prompter pluss 32 768 til utdata; dette er produsentens konfigurasjonsveiledning, adskilt fra den innebygde treningskonteksten og eventuelle endepunktgrenser.\n\nAnbefalt sampling i tenkemodus er temperatur 0,6, top-p 0,95, top-k 20 og min-p 0; ikke-tenkning bruker 0,7, 0,8, 20 og 0. Produsenten anbefaler dekoding med sampling og advarer om at grådig dekoding i tenkemodus kan føre til gjentakelser. Høyere tilstedeværelsesstraffer kan også føre til språkblanding. Gjør resultatet lett å gjennomgå: be om et navngitt felt for sluttresultatet, en beslutningstabell med begrunnelser eller en kodeendring med eksempler. Kontroller beregninger mot de oppgitte tallene, kjør foreslått kode i det tiltenkte miljøet og gjennomgå verktøyresultater før du handler.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B kombinerer detaljert resonnement og direkte tekstsvar i én mixture-of-experts-modell. Bruk den til matematisk analyse, kode, flerspråklig skriving og assistenter som arbeider med tilknyttede verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-235B-A22B overfører Qwen3s hybride resonnementstilnærming til en stor mixture-of-experts-modell. Tekstferdighetene omfatter matematiske og logiske problemer, kodegenerering, kreativ skriving, rollebaserte samtaler og instruksjonsfølging over flere samtaleturer. Den arbeider på mer enn 100 språk og dialekter. For en diskusjon om produktutvikling oppgir du kravene, et konkret eksempel og beslutningen du trenger: en sammenligning av utforminger, en implementasjon eller en forklaring en bestemt målgruppe kan bruke.
Modellen har totalt 235 milliarder parametere og aktiverer 22 milliarder under behandling. Arkitekturen inneholder 128 eksperter, velger åtte av dem og har 94 lag. Disse tallene identifiserer denne utgivelsen; de mindre Qwen3-modellene og FP8-utgaven har egne identiteter. Inndata og utdata er tekst. En egnet utviklingsoppgave er å sammenligne to avstemmingsalgoritmer med de samme eksempeloppføringene, identifisere begrensningene hver av dem oppfyller, og returnere den valgte algoritmen med testtilfeller. Oppgi de faktiske feltnavnene, reglene for duplikathåndtering og forventede summer, slik at svaret kan kontrolleres mot det opprinnelige problemet.
Klargjør forespørselen som samtalemeldinger og hold kildemateriale adskilt fra instruksjoner. For et matematisk spørsmål tar du med hele oppgaveteksten, tillatte forutsetninger og notasjon og ber deretter om et sluttresultat i en angitt form. For kode tar du med relevant funksjon, språk, representative inndata og observert feil. Be om den minste begrunnede endringen og beskriv hvilken eksisterende oppførsel som må bevares. For flerspråklig skriving oppgir du målgruppe og en terminologiliste fremfor å be om en generell oversettelse. 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 og ikke-tenkning er moduser i den samme modellen. Produsentens samtalemal aktiverer tenkning som standard; en hard bryter kan deaktivere den. Når tenkning forblir aktivert, gir /think og /no_think kontroll på samtaleturnivå, der den siste instruksjonen har forrang. En hardt deaktivert modus reagerer ikke på disse myke bryterne. I et utviklergrensesnitt holder du sluttresultatet adskilt fra resonnementsdelen og tar sluttresultatet med i senere samtalehistorikk. Velg modus bevisst: en algoritmeuenighet og en kort omskriving trenger forskjellig mengde analyse. Når tenkning er aktivert, beholder selv en myk forespørsel om ikke-tenkning en resonnementsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
For agentarbeidsflyter anbefaler produsenten Qwen-Agent til verktøymaler og tolking. Verktøy kan omfatte tilknyttede tjenester eller en kodefortolker; applikasjonen definerer og kjører dem. Gi for eksempel en assistent et skrivebeskyttet lageroppslag med dokumenterte felt og be den sammenligne returnert lagerbeholdning med den oppgitte bestillingen. Definer verktøyets formål, aksepterte argumenter, resultatform og tillatelsesgrense. Krev at sluttresultatet skiller mellom en foreslått handling og et bekreftet verktøyresultat. Modellens verktøyrelaterte egenskaper får ikke en ekstern handling til å skje av seg selv. Qwen3-veiledningen beskriver også parallelle verktøykall og verktøykall i flere trinn, med argumenter representert som objekter og resultater ført tilbake til samtalen.
Den innebygde konteksten er 32 768 tokener. Produsenten validerer 131 072 tokener med YaRN-utvidelse; dette er konfigurasjonsavhengig, og statisk skalering kan påvirke kortere inndata. Kontekstbudsjettet inkluderer både forespørselen og det genererte svaret. For en lang spesifikasjon identifiserer du delene som er relevante for beslutningen, merker dem og reserverer plass til svaret fremfor å fylle hele budsjettet med kildetekst. Kortet anbefaler 32 768 utdatatokener for de fleste forespørsler fremfor å erklære denne verdien som en universell tjenestegrense. 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. Kortet forklarer også den standardmessige posisjonstildelingen på 40 960 tokener som 8 192 til vanlige prompter pluss 32 768 til utdata; dette er produsentens konfigurasjonsveiledning, adskilt fra den innebygde treningskonteksten og eventuelle endepunktgrenser.
Anbefalt sampling i tenkemodus er temperatur 0,6, top-p 0,95, top-k 20 og min-p 0; ikke-tenkning bruker 0,7, 0,8, 20 og 0. Produsenten anbefaler dekoding med sampling og advarer om at grådig dekoding i tenkemodus kan føre til gjentakelser. Høyere tilstedeværelsesstraffer kan også føre til språkblanding. Gjør resultatet lett å gjennomgå: be om et navngitt felt for sluttresultatet, en beslutningstabell med begrunnelser eller en kodeendring med eksempler. Kontroller beregninger mot de oppgitte tallene, kjør foreslått kode i det tiltenkte miljøet og gjennomgå verktøyresultater før du handler.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3-235b-a22b | 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 $0.00114 / 1K tokener Utdata · Utgående tokener $0.00342 / 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": "qwen3-235b-a22b", "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='qwen3-235b-a22b',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='qwen3-235b-a22b',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 qwen3-235b-a22b
Bruk metodestiene som vises ovenfor.
qwen3-235b-a22bQwen3-235B-A22B kombinerer detaljert resonnement og direkte tekstsvar i én mixture-of-experts-modell. Bruk den til matematisk analyse, kode, flerspråklig skriving og assistenter som arbeider med tilknyttede verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-235B-A22B overfører Qwen3s hybride resonnementstilnærming til en stor mixture-of-experts-modell. Tekstferdighetene omfatter matematiske og logiske problemer, kodegenerering, kreativ skriving, rollebaserte samtaler og instruksjonsfølging over flere samtaleturer. Den arbeider på mer enn 100 språk og dialekter. For en diskusjon om produktutvikling oppgir du kravene, et konkret eksempel og beslutningen du trenger: en sammenligning av utforminger, en implementasjon eller en forklaring en bestemt målgruppe kan bruke.
Modellen har totalt 235 milliarder parametere og aktiverer 22 milliarder under behandling. Arkitekturen inneholder 128 eksperter, velger åtte av dem og har 94 lag. Disse tallene identifiserer denne utgivelsen; de mindre Qwen3-modellene og FP8-utgaven har egne identiteter. Inndata og utdata er tekst. En egnet utviklingsoppgave er å sammenligne to avstemmingsalgoritmer med de samme eksempeloppføringene, identifisere begrensningene hver av dem oppfyller, og returnere den valgte algoritmen med testtilfeller. Oppgi de faktiske feltnavnene, reglene for duplikathåndtering og forventede summer, slik at svaret kan kontrolleres mot det opprinnelige problemet.
Klargjør forespørselen som samtalemeldinger og hold kildemateriale adskilt fra instruksjoner. For et matematisk spørsmål tar du med hele oppgaveteksten, tillatte forutsetninger og notasjon og ber deretter om et sluttresultat i en angitt form. For kode tar du med relevant funksjon, språk, representative inndata og observert feil. Be om den minste begrunnede endringen og beskriv hvilken eksisterende oppførsel som må bevares. For flerspråklig skriving oppgir du målgruppe og en terminologiliste fremfor å be om en generell oversettelse. 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 og ikke-tenkning er moduser i den samme modellen. Produsentens samtalemal aktiverer tenkning som standard; en hard bryter kan deaktivere den. Når tenkning forblir aktivert, gir /think og /no_think kontroll på samtaleturnivå, der den siste instruksjonen har forrang. En hardt deaktivert modus reagerer ikke på disse myke bryterne. I et utviklergrensesnitt holder du sluttresultatet adskilt fra resonnementsdelen og tar sluttresultatet med i senere samtalehistorikk. Velg modus bevisst: en algoritmeuenighet og en kort omskriving trenger forskjellig mengde analyse. Når tenkning er aktivert, beholder selv en myk forespørsel om ikke-tenkning en resonnementsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
For agentarbeidsflyter anbefaler produsenten Qwen-Agent til verktøymaler og tolking. Verktøy kan omfatte tilknyttede tjenester eller en kodefortolker; applikasjonen definerer og kjører dem. Gi for eksempel en assistent et skrivebeskyttet lageroppslag med dokumenterte felt og be den sammenligne returnert lagerbeholdning med den oppgitte bestillingen. Definer verktøyets formål, aksepterte argumenter, resultatform og tillatelsesgrense. Krev at sluttresultatet skiller mellom en foreslått handling og et bekreftet verktøyresultat. Modellens verktøyrelaterte egenskaper får ikke en ekstern handling til å skje av seg selv. Qwen3-veiledningen beskriver også parallelle verktøykall og verktøykall i flere trinn, med argumenter representert som objekter og resultater ført tilbake til samtalen.
Den innebygde konteksten er 32 768 tokener. Produsenten validerer 131 072 tokener med YaRN-utvidelse; dette er konfigurasjonsavhengig, og statisk skalering kan påvirke kortere inndata. Kontekstbudsjettet inkluderer både forespørselen og det genererte svaret. For en lang spesifikasjon identifiserer du delene som er relevante for beslutningen, merker dem og reserverer plass til svaret fremfor å fylle hele budsjettet med kildetekst. Kortet anbefaler 32 768 utdatatokener for de fleste forespørsler fremfor å erklære denne verdien som en universell tjenestegrense. 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. Kortet forklarer også den standardmessige posisjonstildelingen på 40 960 tokener som 8 192 til vanlige prompter pluss 32 768 til utdata; dette er produsentens konfigurasjonsveiledning, adskilt fra den innebygde treningskonteksten og eventuelle endepunktgrenser.
Anbefalt sampling i tenkemodus er temperatur 0,6, top-p 0,95, top-k 20 og min-p 0; ikke-tenkning bruker 0,7, 0,8, 20 og 0. Produsenten anbefaler dekoding med sampling og advarer om at grådig dekoding i tenkemodus kan føre til gjentakelser. Høyere tilstedeværelsesstraffer kan også føre til språkblanding. Gjør resultatet lett å gjennomgå: be om et navngitt felt for sluttresultatet, en beslutningstabell med begrunnelser eller en kodeendring med eksempler. Kontroller beregninger mot de oppgitte tallene, kjør foreslått kode i det tiltenkte miljøet og gjennomgå verktøyresultater før du handler.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3-235b-a22b | 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 $0.00114 / 1K tokener Utdata · Utgående tokener $0.00342 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-235b-a22b', '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': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.