Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
", "aboutText": "Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.\n\nArkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.\n\n### Visuelt materiale i arbeidsprosessen\n\nModellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.\n\nFunksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes `json_schema` automatisk med `json_object`: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.\n\n### To måter å svare på\n\nQwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med `xhigh` som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. `low` er ment for enkle spørsmål og uttrekking av opplysninger, `medium` for vanlig utvikling og dokumentarbeid, og `xhigh` for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten `reasoning_effort` eller `thinking_budget`; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.\n\nKonteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.\n\nDen gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile a business table and note\n\nReconcile this table: Team A opened 30 cases and closed 24; Team B opened 20 and closed 25. Manager note: “Both backlogs fell.” Assume no transfers or other adjustments. Calculate each team’s backlog change, assess the note and draft a corrected two-sentence update. Keep calculations separate from proposed explanations.Two net-change calculations, an assessment of the note and a corrected short update.Check the sign convention and avoid inventing a cause for either team’s change.qwen3.8-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3.8-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/messagesAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3.8-flash", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3.8-flash", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="qwen3.8-flash",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "qwen3.8-flash",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='qwen3.8-flash',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen3.8-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/responsestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3.8-flash | Standard— |
Feltinput | Typestring|input_item[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].type | Typestring | KravValgfritt | Verdier & grenser message, reasoning, function_call, function_call_output | Standard— |
Feltinput[].content | Typestring|content_part[] | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: function_call_output; behold faktisk returnert call_id | Standard— |
Feltinput[].output | Typestring|content_part[] | KravValgfritt | Verdier & grenser Gjelder når: function_call_output | Standard— |
Feltmax_output_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.summary | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.verbosity | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinclude | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstore | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprevious_response_id | Typestring | KravValgfritt | Verdier & grenser ID-krav: Bare en faktisk svar-ID fra en støttet videreføring Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_key | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
inputtekst eller input_text-del
Tekst + bilde
{type:input_image,image_url}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, input |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/responsesAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3.8-flash", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3.8-flash", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="qwen3.8-flash", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "qwen3.8-flash", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="qwen3.8-flash", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert outputelement og hver innholdsdel, faktisk call_id for funksjonen, kryptert resonnering og bruksdata. Ved strømming beholder du fullstendig hendelses-/elementidentitet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltstatus | Typestring |
Feltoutput[] | Typemessage|reasoning|function_call|other item |
Feltoutput[].content[] | Typecontent part |
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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen3.8-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/chat/completionstext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3.8-flash | 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 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— |
Tekst · UTF8-tekst
messages[].content
Tekst + bilde
{type:image_url,image_url:{url,detail}}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/chat/completionsAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3.8-flash", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3.8-flash", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="qwen3.8-flash",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "qwen3.8-flash",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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='qwen3.8-flash',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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen3.8-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3.8-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen3.8-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="qwen3.8-flash", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen3.8-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen3.8-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen3.8-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3.8-flash', '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': 'qwen3.8-flash', '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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/messagesAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="qwen-flash",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "qwen-flash",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='qwen-flash',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/responsestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-flash | Standard— |
Feltinput | Typestring|input_item[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].type | Typestring | KravValgfritt | Verdier & grenser message, reasoning, function_call, function_call_output | Standard— |
Feltinput[].content | Typestring|content_part[] | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: function_call_output; behold faktisk returnert call_id | Standard— |
Feltinput[].output | Typestring|content_part[] | KravValgfritt | Verdier & grenser Gjelder når: function_call_output | Standard— |
Feltmax_output_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.summary | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.verbosity | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinclude | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstore | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprevious_response_id | Typestring | KravValgfritt | Verdier & grenser ID-krav: Bare en faktisk svar-ID fra en støttet videreføring Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_key | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
inputtekst eller input_text-del
Tekst + bilde
{type:input_image,image_url}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, input |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/responsesAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="qwen-flash", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "qwen-flash", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="qwen-flash", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert outputelement og hver innholdsdel, faktisk call_id for funksjonen, kryptert resonnering og bruksdata. Ved strømming beholder du fullstendig hendelses-/elementidentitet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltstatus | Typestring |
Feltoutput[] | Typemessage|reasoning|function_call|other item |
Feltoutput[].content[] | Typecontent part |
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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/chat/completionstext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-flash | 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 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— |
Tekst · UTF8-tekst
messages[].content
Tekst + bilde
{type:image_url,image_url:{url,detail}}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/chat/completionsAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="qwen-flash",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "qwen-flash",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-flash',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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen-flash-latestEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-flash-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/messagesAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash-latest", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash-latest", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="qwen-flash-latest",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "qwen-flash-latest",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='qwen-flash-latest',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen-flash-latestEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/responsestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-flash-latest | Standard— |
Feltinput | Typestring|input_item[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].type | Typestring | KravValgfritt | Verdier & grenser message, reasoning, function_call, function_call_output | Standard— |
Feltinput[].content | Typestring|content_part[] | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: function_call_output; behold faktisk returnert call_id | Standard— |
Feltinput[].output | Typestring|content_part[] | KravValgfritt | Verdier & grenser Gjelder når: function_call_output | Standard— |
Feltmax_output_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.summary | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.verbosity | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinclude | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstore | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprevious_response_id | Typestring | KravValgfritt | Verdier & grenser ID-krav: Bare en faktisk svar-ID fra en støttet videreføring Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_key | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
inputtekst eller input_text-del
Tekst + bilde
{type:input_image,image_url}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, input |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/responsesAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash-latest", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="qwen-flash-latest", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "qwen-flash-latest", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="qwen-flash-latest", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert outputelement og hver innholdsdel, faktisk call_id for funksjonen, kryptert resonnering og bruksdata. Ved strømming beholder du fullstendig hendelses-/elementidentitet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltstatus | Typestring |
Feltoutput[] | Typemessage|reasoning|function_call|other item |
Feltoutput[].content[] | Typecontent part |
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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen-flash-latestEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/chat/completionstext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-flash-latest | 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 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— |
Tekst · UTF8-tekst
messages[].content
Tekst + bilde
{type:image_url,image_url:{url,detail}}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/chat/completionsAiloot 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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash-latest", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-flash-latest", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="qwen-flash-latest",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "qwen-flash-latest",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-flash-latest',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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen/qwen3.8-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.8-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-flash", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-flash',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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
qwen/qwen3.8-flashEn multimodal modell for programvareagenter og kontoroppgaver med stor kontekst. I Ailoot analyserer den tekst og bilder og gir et tekstsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.8-Flash kombinerer programvareutvikling, kontorarbeid i flere trinn og forståelse av visuelt materiale. Alibaba beskriver den som en modell for en agent som planlegger handlinger, får tilbakemeldinger og justerer neste trinn. Bruksområdene som oppgis, omfatter å lage og videreutvikle programverktøy, arbeide med forretningsmateriale og løse oppgaver der svaret avhenger av innholdet på en skjerm eller i et dokument.
Arkitekturen inneholder 125 milliarder parametere, hvorav 6 milliarder aktiveres per token. Hybrid oppmerksomhet kombinerer GDN og QSA for å bevare lange sekvenser og hente relevante opplysninger. Mekanismen for residualforbindelser deler informasjonsstrømmen i fire parallelle grener; N-gram Embedding legger til 51 milliarder parametere, og Muon brukes som optimaliserer i treningen. Dette beskriver modellens interne oppbygning. Det nåværende Ailoot-kortet har tekst og bilder som inndata og tekst som utdata. Alibaba beskriver også felles behandling av video; videoinndata krever egen støtte og er ikke tilgjengelig i kortets nåværende metoder.
Modellen kan analysere skjermbilder, hente tekst fra dokumenter og bruke et bilde som veiledning når kode utarbeides. I varianten Alibaba beskriver, analyseres video gjennom enkeltbilder. Dette gjør det mulig å beskrive hendelser, trekke ut innholdet i en undervisningsvideo og kontrollere visuelle detaljer. Modellens egne utdata er tekst: en forklaring, programkode, et verktøykall eller strukturerte opplysninger.
Funksjoner som utføres av det tilkoblede programmet, støttes. I resonneringsmodus bestemmer modellen først hvilke handlinger som trengs og hvordan resultatene skal brukes, og fortsetter deretter svaret. Bevaring av tidligere resonnering bidrar til langvarig verktøyarbeid. Strukturerte utdata passer til opplysninger som skal behandles videre av et program; ønsket struktur og felttyper kan angis. Hos produsenten gjelder det strenge skjemaet for tekstforespørsler. Ved bilder og andre multimodale data erstattes json_schema automatisk med json_object: resultatet er JSON, men det angitte skjemaets begrensninger brukes ikke. Tilgjengeligheten av disse innstillingene avhenger av den valgte Ailoot-metoden.
Qwen3.8-Flash støtter resonnering og direkte svar. Hos produsenten er resonnering aktivert som standard med xhigh som standardintensitet; støtte for innstillingene avhenger av den valgte metoden. low er ment for enkle spørsmål og uttrekking av opplysninger, medium for vanlig utvikling og dokumentarbeid, og xhigh for kompleks kode, matematiske bevis og arkitekturoppgaver. Dybden som velges, påvirker omfanget av analysen på forhånd. Dersom metoden tilbyr disse innstillingene, bruker produsenten enten reasoning_effort eller thinking_budget; begge samtidig gir en feil. Når resonnering er deaktivert, lager modellen svaret direkte.
Konteksten rommer 1 000 000 tokener. Maksimal inndatalengde er 991 808 tokener, eller 983 616 i resonneringsmodus. Maksimal utdata er 131 072 tokener; resonnering har en egen grense på 262 144. Alibabas visuelle spesifikasjon oppgir bilder på opptil 16 millioner piksler og video på opptil to timer med en størrelse på opptil 2 GB. Produsenten angir opptil 2048 bilder via en adresse eller opptil 250 bilder i Base64 og opptil 64 videoer per forespørsel. Disse grensene gjelder sammen med den samlede konteksten og beskriver produsentens variant; Ailoots nåværende metoder oppgir tekst og bilder som inndata, ikke videoinndata eller disse mengdegrensene.
Den gjentatte delen av konteksten kan mellomlagres for senere forespørsler. Mekanismen bruker en felles begynnelse av inndatamaterialet. At den finnes, endrer ikke oppgavens innhold og betyr ikke at hver forespørsel nødvendigvis bruker tidligere lagret kontekst.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.8-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.00094 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000032 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3.8-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-flash', '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 qwen3.8-flash, qwen-flash, qwen-flash-latest
Ailoot Ultra qwen3.8-flash, qwen/qwen3.8-flash
/chat/completions
qwen/qwen3.8-flash, qwen-flash, qwen-flash-latest, qwen3.8-flash, qwen3.8-flash
Teknisk eksempel på engelsk
Reconcile a business table and note\n\nReconcile this table: Team A opened 30 cases and closed 24; Team B opened 20 and closed 25. Manager note: “Both backlogs fell.” Assume no transfers or other adjustments. Calculate each team’s backlog change, assess the note and draft a corrected two-sentence update. Keep calculations separate from proposed explanations.Two net-change calculations, an assessment of the note and a corrected short update.Check the sign convention and avoid inventing a cause for either team’s change.