Qwen3-4B bruker Qwen3s hybride svardesign i en kompakt, tett språkmodell. Produsenten beskriver matematisk og logisk resonnering, kodegenerering, kreativ skriving, rollebasert samhandling og dialog over flere turer, sammen med instruksjonsfølging på mer enn 100 språk og dialekter. En avgrenset redaksjonell eller teknisk oppgave er en nyttig måte å arbeide med den på: gi et bestemt kildeutdrag og be om én klart definert omforming i stedet for en åpen oversikt.
Utgivelsen inneholder fire milliarder parametere, med 3.6 milliarder utenfor embeddingene, og har 36 lag. Gruppert spørringsoppmerksomhet bruker 32 spørringshoder og åtte nøkkel/verdi-hoder. Både inndata og utdata er tekst. Dette kortet beskriver den opprinnelige hybride Qwen3-4B-utgivelsen, ikke en senere datert Thinking- eller Instruct-modell. Et praktisk eksempel er å gjøre et kort hendelsesnotat om til en operativ overlevering som inneholder den observerte feilen, kjent påvirkning og neste undersøkelsestrinn. Gi disse faktaene som separate felter, og krev at modellen markerer manglende informasjon i stedet for å fylle den inn.
Forbered instruksen og kilden som adskilte deler av en chatmelding. For programmering legger du ved en liten funksjon, representative inndata og ønsket returverdi og ber deretter om en forklaring eller en snevert avgrenset endring. Be om et vanlig tilfelle og et grensetilfelle som del av utdataene. For en skriveoppgave oppgir du målgruppe, lengde og ordforrådet som må være uendret. For en klassifiseringsoppgave gir du de tillatte etikettene, definisjonene deres og et eksempel på utdata; det returnerte valget bør deretter kontrolleres mot denne listen. Den publiserte integrasjonen forventer et kjøremiljø som kjenner Qwen3. Kortet advarer om at Transformers-versjoner under 4.51.0 ikke gjenkjenner den nødvendige arkitekturen.
Tenking og ikke-tenking er bygget inn i samme utgivelse. I produsentens mal er tenking på som standard, og en hard bryter slår den av. Når tenking er aktivert, er /think og /no_think myke instrukser som kan endre oppførselen mellom turer; den siste instruksen gjelder. De aktiverer ikke en modus som er slått av med den harde bryteren. En kort tekstomforming kan be om et direkte svar, mens en forklaring av motstridende vilkår kan bruke resonnering. Lagre sluttsvaret, ikke tidligere resonneringstekst, som det nyttige resultatet av en samtaletur. Når tenking er aktivert, beholder også en myk forespørsel uten tenking en resonneringsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
Modellkortet omfatter agentbruk og anbefaler Qwen-Agent for verktøydefinisjoner og parsing. For en assistent som klassifiserer en innkommende henvendelse og deretter slår opp en kategoribeskrivelse, ville applikasjonen eksponere oppslagsverktøyet, utføre eventuelle godkjente kall og levere resultatet. Definer argumentene og de forventede feltene på forhånd. Be om en endelig sakspost med valgt kategori, en kort begrunnelse og eventuelle ukjente felter. Valider posten, og behold verktøyresultatet som ble brukt til å lage den. Qwen3-veiledningen beskriver også parallelle verktøykall og kall over flere trinn, med argumenter representert som objekter og resultater levert tilbake til samtalen.
Det konkrete kortet oppgir 32,768 opprinnelige konteksttokener og dokumenterer utvidelse til 131,072 med YaRN. Det utvidede tallet er knyttet til konfigurasjonen; statisk skalering kan påvirke kortere inndata. Planlegg hele forespørselen og svaret sammen. For en samling korte notater merker du hvert element, ber om en tilsvarende identifikator i utdataene og bruker et kort skjema slik at det genererte resultatet fortsatt får plass. Kortets eksempler og anbefalinger for utdatalengde er ikke en universell hard genereringsgrense. Qwen3-dokumentasjonen drøfter assistentmeldinger på 38,912 tokener i tenkemodus og 16,384 i ikke-tenkemodus i forklaringen av treningslengde og anbefaler å evaluere kvaliteten på lengre generering. Disse tallene er adskilt fra det samlede kontekstvinduet og er ikke en endepunktspesifikk hard grense. Kortet forklarer også standardfordelingen på 40,960 tokenposisjoner som 8,192 til typiske prompter pluss 32,768 til utdata. Dette er produsentveiledning for konfigurasjon, adskilt fra den opprinnelige treningskonteksten og eventuelle endepunktgrenser.
Denne utgaven har en ekstra advarsel om vedvarende gjentakelser. Produsenten viser til det anbefalte samplingsoppsettet og foreslår presence_penalty 1.5 dersom det oppstår betydelige gjentakelser. Den generelle veiledningen påpeker at sterkere straffer kan gi språkblanding i utdataene eller redusere kvaliteten, så dette er en målrettet innstilling, ikke en garanti. Tenkemodus bruker temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uten tenking brukes 0.7, 0.8, 20 og 0. Unngå grådig dekoding ved resonnering, krev et tydelig avgrenset sluttsvar og kontroller resultatet for gjentatte ledd, manglende felter og endret terminologi.
", "aboutText": "Qwen3-4B bruker Qwen3s hybride svardesign i en kompakt, tett språkmodell. Produsenten beskriver matematisk og logisk resonnering, kodegenerering, kreativ skriving, rollebasert samhandling og dialog over flere turer, sammen med instruksjonsfølging på mer enn 100 språk og dialekter. En avgrenset redaksjonell eller teknisk oppgave er en nyttig måte å arbeide med den på: gi et bestemt kildeutdrag og be om én klart definert omforming i stedet for en åpen oversikt.\n\nUtgivelsen inneholder fire milliarder parametere, med 3.6 milliarder utenfor embeddingene, og har 36 lag. Gruppert spørringsoppmerksomhet bruker 32 spørringshoder og åtte nøkkel/verdi-hoder. Både inndata og utdata er tekst. Dette kortet beskriver den opprinnelige hybride Qwen3-4B-utgivelsen, ikke en senere datert Thinking- eller Instruct-modell. Et praktisk eksempel er å gjøre et kort hendelsesnotat om til en operativ overlevering som inneholder den observerte feilen, kjent påvirkning og neste undersøkelsestrinn. Gi disse faktaene som separate felter, og krev at modellen markerer manglende informasjon i stedet for å fylle den inn.\n\nForbered instruksen og kilden som adskilte deler av en chatmelding. For programmering legger du ved en liten funksjon, representative inndata og ønsket returverdi og ber deretter om en forklaring eller en snevert avgrenset endring. Be om et vanlig tilfelle og et grensetilfelle som del av utdataene. For en skriveoppgave oppgir du målgruppe, lengde og ordforrådet som må være uendret. For en klassifiseringsoppgave gir du de tillatte etikettene, definisjonene deres og et eksempel på utdata; det returnerte valget bør deretter kontrolleres mot denne listen. Den publiserte integrasjonen forventer et kjøremiljø som kjenner Qwen3. Kortet advarer om at Transformers-versjoner under 4.51.0 ikke gjenkjenner den nødvendige arkitekturen.\n\nTenking og ikke-tenking er bygget inn i samme utgivelse. I produsentens mal er tenking på som standard, og en hard bryter slår den av. Når tenking er aktivert, er /think og /no_think myke instrukser som kan endre oppførselen mellom turer; den siste instruksen gjelder. De aktiverer ikke en modus som er slått av med den harde bryteren. En kort tekstomforming kan be om et direkte svar, mens en forklaring av motstridende vilkår kan bruke resonnering. Lagre sluttsvaret, ikke tidligere resonneringstekst, som det nyttige resultatet av en samtaletur. Når tenking er aktivert, beholder også en myk forespørsel uten tenking en resonneringsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.\n\nModellkortet omfatter agentbruk og anbefaler Qwen-Agent for verktøydefinisjoner og parsing. For en assistent som klassifiserer en innkommende henvendelse og deretter slår opp en kategoribeskrivelse, ville applikasjonen eksponere oppslagsverktøyet, utføre eventuelle godkjente kall og levere resultatet. Definer argumentene og de forventede feltene på forhånd. Be om en endelig sakspost med valgt kategori, en kort begrunnelse og eventuelle ukjente felter. Valider posten, og behold verktøyresultatet som ble brukt til å lage den. Qwen3-veiledningen beskriver også parallelle verktøykall og kall over flere trinn, med argumenter representert som objekter og resultater levert tilbake til samtalen.\n\nDet konkrete kortet oppgir 32,768 opprinnelige konteksttokener og dokumenterer utvidelse til 131,072 med YaRN. Det utvidede tallet er knyttet til konfigurasjonen; statisk skalering kan påvirke kortere inndata. Planlegg hele forespørselen og svaret sammen. For en samling korte notater merker du hvert element, ber om en tilsvarende identifikator i utdataene og bruker et kort skjema slik at det genererte resultatet fortsatt får plass. Kortets eksempler og anbefalinger for utdatalengde er ikke en universell hard genereringsgrense. Qwen3-dokumentasjonen drøfter assistentmeldinger på 38,912 tokener i tenkemodus og 16,384 i ikke-tenkemodus i forklaringen av treningslengde og anbefaler å evaluere kvaliteten på lengre generering. Disse tallene er adskilt fra det samlede kontekstvinduet og er ikke en endepunktspesifikk hard grense. Kortet forklarer også standardfordelingen på 40,960 tokenposisjoner som 8,192 til typiske prompter pluss 32,768 til utdata. Dette er produsentveiledning for konfigurasjon, adskilt fra den opprinnelige treningskonteksten og eventuelle endepunktgrenser.\n\nDenne utgaven har en ekstra advarsel om vedvarende gjentakelser. Produsenten viser til det anbefalte samplingsoppsettet og foreslår presence_penalty 1.5 dersom det oppstår betydelige gjentakelser. Den generelle veiledningen påpeker at sterkere straffer kan gi språkblanding i utdataene eller redusere kvaliteten, så dette er en målrettet innstilling, ikke en garanti. Tenkemodus bruker temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uten tenking brukes 0.7, 0.8, 20 og 0. Unngå grådig dekoding ved resonnering, krev et tydelig avgrenset sluttsvar og kontroller resultatet for gjentatte ledd, manglende felter og endret terminologi.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.qwen3-4bQwen3-4B er en tekstmodell med fire milliarder parametere for instruksjonsfølging, flerspråklig dialog og kode. Den hybride utformingen støtter både direkte svar og en tenkemodus, med utgavespesifikk veiledning for å kontrollere gjentakelser.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-4B bruker Qwen3s hybride svardesign i en kompakt, tett språkmodell. Produsenten beskriver matematisk og logisk resonnering, kodegenerering, kreativ skriving, rollebasert samhandling og dialog over flere turer, sammen med instruksjonsfølging på mer enn 100 språk og dialekter. En avgrenset redaksjonell eller teknisk oppgave er en nyttig måte å arbeide med den på: gi et bestemt kildeutdrag og be om én klart definert omforming i stedet for en åpen oversikt.
Utgivelsen inneholder fire milliarder parametere, med 3.6 milliarder utenfor embeddingene, og har 36 lag. Gruppert spørringsoppmerksomhet bruker 32 spørringshoder og åtte nøkkel/verdi-hoder. Både inndata og utdata er tekst. Dette kortet beskriver den opprinnelige hybride Qwen3-4B-utgivelsen, ikke en senere datert Thinking- eller Instruct-modell. Et praktisk eksempel er å gjøre et kort hendelsesnotat om til en operativ overlevering som inneholder den observerte feilen, kjent påvirkning og neste undersøkelsestrinn. Gi disse faktaene som separate felter, og krev at modellen markerer manglende informasjon i stedet for å fylle den inn.
Forbered instruksen og kilden som adskilte deler av en chatmelding. For programmering legger du ved en liten funksjon, representative inndata og ønsket returverdi og ber deretter om en forklaring eller en snevert avgrenset endring. Be om et vanlig tilfelle og et grensetilfelle som del av utdataene. For en skriveoppgave oppgir du målgruppe, lengde og ordforrådet som må være uendret. For en klassifiseringsoppgave gir du de tillatte etikettene, definisjonene deres og et eksempel på utdata; det returnerte valget bør deretter kontrolleres mot denne listen. Den publiserte integrasjonen forventer et kjøremiljø som kjenner Qwen3. Kortet advarer om at Transformers-versjoner under 4.51.0 ikke gjenkjenner den nødvendige arkitekturen.
Tenking og ikke-tenking er bygget inn i samme utgivelse. I produsentens mal er tenking på som standard, og en hard bryter slår den av. Når tenking er aktivert, er /think og /no_think myke instrukser som kan endre oppførselen mellom turer; den siste instruksen gjelder. De aktiverer ikke en modus som er slått av med den harde bryteren. En kort tekstomforming kan be om et direkte svar, mens en forklaring av motstridende vilkår kan bruke resonnering. Lagre sluttsvaret, ikke tidligere resonneringstekst, som det nyttige resultatet av en samtaletur. Når tenking er aktivert, beholder også en myk forespørsel uten tenking en resonneringsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
Modellkortet omfatter agentbruk og anbefaler Qwen-Agent for verktøydefinisjoner og parsing. For en assistent som klassifiserer en innkommende henvendelse og deretter slår opp en kategoribeskrivelse, ville applikasjonen eksponere oppslagsverktøyet, utføre eventuelle godkjente kall og levere resultatet. Definer argumentene og de forventede feltene på forhånd. Be om en endelig sakspost med valgt kategori, en kort begrunnelse og eventuelle ukjente felter. Valider posten, og behold verktøyresultatet som ble brukt til å lage den. Qwen3-veiledningen beskriver også parallelle verktøykall og kall over flere trinn, med argumenter representert som objekter og resultater levert tilbake til samtalen.
Det konkrete kortet oppgir 32,768 opprinnelige konteksttokener og dokumenterer utvidelse til 131,072 med YaRN. Det utvidede tallet er knyttet til konfigurasjonen; statisk skalering kan påvirke kortere inndata. Planlegg hele forespørselen og svaret sammen. For en samling korte notater merker du hvert element, ber om en tilsvarende identifikator i utdataene og bruker et kort skjema slik at det genererte resultatet fortsatt får plass. Kortets eksempler og anbefalinger for utdatalengde er ikke en universell hard genereringsgrense. Qwen3-dokumentasjonen drøfter assistentmeldinger på 38,912 tokener i tenkemodus og 16,384 i ikke-tenkemodus i forklaringen av treningslengde og anbefaler å evaluere kvaliteten på lengre generering. Disse tallene er adskilt fra det samlede kontekstvinduet og er ikke en endepunktspesifikk hard grense. Kortet forklarer også standardfordelingen på 40,960 tokenposisjoner som 8,192 til typiske prompter pluss 32,768 til utdata. Dette er produsentveiledning for konfigurasjon, adskilt fra den opprinnelige treningskonteksten og eventuelle endepunktgrenser.
Denne utgaven har en ekstra advarsel om vedvarende gjentakelser. Produsenten viser til det anbefalte samplingsoppsettet og foreslår presence_penalty 1.5 dersom det oppstår betydelige gjentakelser. Den generelle veiledningen påpeker at sterkere straffer kan gi språkblanding i utdataene eller redusere kvaliteten, så dette er en målrettet innstilling, ikke en garanti. Tenkemodus bruker temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uten tenking brukes 0.7, 0.8, 20 og 0. Unngå grådig dekoding ved resonnering, krev et tydelig avgrenset sluttsvar og kontroller resultatet for gjentatte ledd, manglende felter og endret terminologi.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3-4b | 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": "qwen3-4b", "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='qwen3-4b',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='qwen3-4b',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 qwen3-4b
Bruk metodestiene som vises ovenfor.
qwen3-4bQwen3-4B er en tekstmodell med fire milliarder parametere for instruksjonsfølging, flerspråklig dialog og kode. Den hybride utformingen støtter både direkte svar og en tenkemodus, med utgavespesifikk veiledning for å kontrollere gjentakelser.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-4B bruker Qwen3s hybride svardesign i en kompakt, tett språkmodell. Produsenten beskriver matematisk og logisk resonnering, kodegenerering, kreativ skriving, rollebasert samhandling og dialog over flere turer, sammen med instruksjonsfølging på mer enn 100 språk og dialekter. En avgrenset redaksjonell eller teknisk oppgave er en nyttig måte å arbeide med den på: gi et bestemt kildeutdrag og be om én klart definert omforming i stedet for en åpen oversikt.
Utgivelsen inneholder fire milliarder parametere, med 3.6 milliarder utenfor embeddingene, og har 36 lag. Gruppert spørringsoppmerksomhet bruker 32 spørringshoder og åtte nøkkel/verdi-hoder. Både inndata og utdata er tekst. Dette kortet beskriver den opprinnelige hybride Qwen3-4B-utgivelsen, ikke en senere datert Thinking- eller Instruct-modell. Et praktisk eksempel er å gjøre et kort hendelsesnotat om til en operativ overlevering som inneholder den observerte feilen, kjent påvirkning og neste undersøkelsestrinn. Gi disse faktaene som separate felter, og krev at modellen markerer manglende informasjon i stedet for å fylle den inn.
Forbered instruksen og kilden som adskilte deler av en chatmelding. For programmering legger du ved en liten funksjon, representative inndata og ønsket returverdi og ber deretter om en forklaring eller en snevert avgrenset endring. Be om et vanlig tilfelle og et grensetilfelle som del av utdataene. For en skriveoppgave oppgir du målgruppe, lengde og ordforrådet som må være uendret. For en klassifiseringsoppgave gir du de tillatte etikettene, definisjonene deres og et eksempel på utdata; det returnerte valget bør deretter kontrolleres mot denne listen. Den publiserte integrasjonen forventer et kjøremiljø som kjenner Qwen3. Kortet advarer om at Transformers-versjoner under 4.51.0 ikke gjenkjenner den nødvendige arkitekturen.
Tenking og ikke-tenking er bygget inn i samme utgivelse. I produsentens mal er tenking på som standard, og en hard bryter slår den av. Når tenking er aktivert, er /think og /no_think myke instrukser som kan endre oppførselen mellom turer; den siste instruksen gjelder. De aktiverer ikke en modus som er slått av med den harde bryteren. En kort tekstomforming kan be om et direkte svar, mens en forklaring av motstridende vilkår kan bruke resonnering. Lagre sluttsvaret, ikke tidligere resonneringstekst, som det nyttige resultatet av en samtaletur. Når tenking er aktivert, beholder også en myk forespørsel uten tenking en resonneringsblokk; innholdet kan være tomt. Hard deaktivering fjerner denne blokken.
Modellkortet omfatter agentbruk og anbefaler Qwen-Agent for verktøydefinisjoner og parsing. For en assistent som klassifiserer en innkommende henvendelse og deretter slår opp en kategoribeskrivelse, ville applikasjonen eksponere oppslagsverktøyet, utføre eventuelle godkjente kall og levere resultatet. Definer argumentene og de forventede feltene på forhånd. Be om en endelig sakspost med valgt kategori, en kort begrunnelse og eventuelle ukjente felter. Valider posten, og behold verktøyresultatet som ble brukt til å lage den. Qwen3-veiledningen beskriver også parallelle verktøykall og kall over flere trinn, med argumenter representert som objekter og resultater levert tilbake til samtalen.
Det konkrete kortet oppgir 32,768 opprinnelige konteksttokener og dokumenterer utvidelse til 131,072 med YaRN. Det utvidede tallet er knyttet til konfigurasjonen; statisk skalering kan påvirke kortere inndata. Planlegg hele forespørselen og svaret sammen. For en samling korte notater merker du hvert element, ber om en tilsvarende identifikator i utdataene og bruker et kort skjema slik at det genererte resultatet fortsatt får plass. Kortets eksempler og anbefalinger for utdatalengde er ikke en universell hard genereringsgrense. Qwen3-dokumentasjonen drøfter assistentmeldinger på 38,912 tokener i tenkemodus og 16,384 i ikke-tenkemodus i forklaringen av treningslengde og anbefaler å evaluere kvaliteten på lengre generering. Disse tallene er adskilt fra det samlede kontekstvinduet og er ikke en endepunktspesifikk hard grense. Kortet forklarer også standardfordelingen på 40,960 tokenposisjoner som 8,192 til typiske prompter pluss 32,768 til utdata. Dette er produsentveiledning for konfigurasjon, adskilt fra den opprinnelige treningskonteksten og eventuelle endepunktgrenser.
Denne utgaven har en ekstra advarsel om vedvarende gjentakelser. Produsenten viser til det anbefalte samplingsoppsettet og foreslår presence_penalty 1.5 dersom det oppstår betydelige gjentakelser. Den generelle veiledningen påpeker at sterkere straffer kan gi språkblanding i utdataene eller redusere kvaliteten, så dette er en målrettet innstilling, ikke en garanti. Tenkemodus bruker temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uten tenking brukes 0.7, 0.8, 20 og 0. Unngå grådig dekoding ved resonnering, krev et tydelig avgrenset sluttsvar og kontroller resultatet for gjentatte ledd, manglende felter og endret terminologi.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3-4b | 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 $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen3-4b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-4b', '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': 'qwen3-4b', '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 qwen3-4b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.