Hoofdpunten: de vaste Instruct-2507-update
Qwen3-30B-A3B-Instruct-2507 is de bijgewerkte non-Thinking-editie van Qwen3-30B-A3B. De ontwikkelaar benadrukt verbeteringen in instructies volgen, logisch redeneren, tekstbegrip, wiskunde, wetenschap, programmeren en toolgebruik, met bredere kennis van minder vaak voorkomende onderwerpen in meerdere talen en een betere afstemming op open taken. Het accepteert tekst en produceert tekst: een antwoord, uitleg, codevoorstel of gevraagd schrijfresultaat.
Houd de vaste 2507-identiteit gescheiden van het oorspronkelijke hybride Qwen3-30B-A3B, de FP8-build en de Thinking-2507-editie. De beschrijving van meertalige kennis geeft geen afzonderlijke garantie voor een aantal talen in deze momentopname. Benoem de doeltaal, doelgroep en termen die ongewijzigd moeten blijven als de taak vertaling of herschrijving omvat.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 30,5 miljard parameters en activeert er 3,3 miljard. Het heeft 48 lagen, 128 experts en acht geselecteerde experts per token. De native context is 262.144 tokens. Geactiveerde parameters zijn niet de grootte van het volledige checkpoint, en architectuur alleen bewijst geen vaste antwoordtijd in een toepassing.
Deze editie ondersteunt uitsluitend non-Thinking en genereert geen expliciete Thinking-blokken. De instelling enable_thinking=False is in de werkwijze van de ontwikkelaar overbodig. Het model kan nog steeds berekeningen tonen of code in gewone tekst uitleggen; een verzoek om ondersteunende stappen verandert het niet in het afzonderlijke Thinking-checkpoint.
Een bruikbare tekstaanvraag voorbereiden
Lever voor een programmeertaak de relevante functie of module, invoerbeperkingen, waargenomen gedrag en het vereiste resultaat. Vraag een voorgestelde patch of volledige functie met uitleg van de betrokken aannames. Geef voor een wiskundige of wetenschappelijke vraag de volledige opgave, eenheden en definities en vraag vervolgens een duidelijk afgebakend eindantwoord dat door de aangeleverde voorwaarden wordt ondersteund.
Benoem voor een open schrijftaak de doelgroep, het doel, de toon en informatie die moet verschijnen. Een nuttig antwoord kan een bewerkbare concepttekst zijn die volgens de gevraagde onderdelen is georganiseerd, met niet-onderbouwde aannames afzonderlijk vermeld. Vergelijk de geretourneerde tekst, berekeningen of voorgestelde code met de aangeleverde feiten, definities en vereisten.
Gebruik met agents
Qwen documenteert toolaanroepen en raadt Qwen-Agent aan voor sjablonen en parsing, met geconfigureerde of via MCP verbonden tools. Benoem toegestane acties en waarneembare voltooiingsvoorwaarden. Aangesloten tools voeren externe bewerkingen uit en retourneren waarnemingen; het model kan die terugkoppeling in een later antwoord gebruiken. Een voorgestelde opdracht of claim dat een bron is opgehaald hoort gescheiden te blijven van een resultaat dat de werkwijze daadwerkelijk heeft teruggegeven.
Een duidelijk eindresultaat kan een codevoorstel, bewijstabel of beknopt rapport zijn. Toolondersteuning creëert op zichzelf niet via elke interface toegang tot actuele bronnen, bestanden of een uitvoeromgeving. Behoud het non-Thinking-antwoordcontract van het exacte model in plaats van promptschakelaars van een hybride model of uitvoerruimten van een Thinking-editie over te nemen.
Ultralange tekst verwerken
De ontwikkelaar documenteert een optionele werkwijze die ongeveer één miljoen tokens bereikt met Dual Chunk Attention en sparse attention van MInference. Het eerste verdeelt een lange sequentie in hanteerbare delen met behoud van interacties tussen die delen; het tweede richt het rekenwerk op geselecteerde attentionrelaties. Dit is een extra configuratiepad bovenop de native context van 262.144 tokens, met een speciale langcontextconfiguratie.
De werkwijze schat ongeveer 240 GB totaal GPU-geheugen voor modelgewichten, gecachte sequentietoestand en piekactivaties. Ze beschrijft ook afzonderlijke capaciteitsproblemen door de sequentiecache, het activatiegeheugen of invoer die de geconfigureerde lengte overschrijdt. De werkwijze voor één miljoen tokens hangt dus van configuratie en resources af; het hoofdgetal zou niet als onvoorwaardelijke standaard moeten worden gezien.
Bereid lange invoer voor met documentgrenzen, onderdeelnamen of code-identificaties en een concrete vraag. Reserveer ruimte voor het antwoord en vraag het bewijs dat elke conclusie ondersteunt.
Generatieaanbevelingen
Best Practices raadt temperature 0,7, top_p 0,8, top_k 20 en min_p 0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhalende tekst verminderen, terwijl hogere waarden talen kunnen mengen of de kwaliteit iets verlagen. De ontwikkelaar raadt voor de meeste vragen een uitvoerruimte van 16.384 tokens aan, niet de grotere budgetten die voor Thinking-2507 zijn gedocumenteerd. Dit is een aanbeveling, geen onafhankelijk vastgestelde harde uitvoergrens.
Specificeer het eindformaat expliciet, zoals een wiskundige afbakening of antwoordveld. De gedocumenteerde modelinvoer is tekst, dus visueel of audiobewijs vereist vóór deze werkwijze een passende afzonderlijke representatie. Toets berekeningen, citaten en gegenereerde code aan de bron. Het nuttige resultaat is een volledig, controleerbaar tekstresultaat waarvan de vaste Instruct-2507-identiteit, non-Thinking-modus en voorwaardelijke langcontextprocedure duidelijk blijven.
", "aboutText": "Hoofdpunten: de vaste Instruct-2507-update\n\nQwen3-30B-A3B-Instruct-2507 is de bijgewerkte non-Thinking-editie van Qwen3-30B-A3B. De ontwikkelaar benadrukt verbeteringen in instructies volgen, logisch redeneren, tekstbegrip, wiskunde, wetenschap, programmeren en toolgebruik, met bredere kennis van minder vaak voorkomende onderwerpen in meerdere talen en een betere afstemming op open taken. Het accepteert tekst en produceert tekst: een antwoord, uitleg, codevoorstel of gevraagd schrijfresultaat.\n\nHoud de vaste 2507-identiteit gescheiden van het oorspronkelijke hybride Qwen3-30B-A3B, de FP8-build en de Thinking-2507-editie. De beschrijving van meertalige kennis geeft geen afzonderlijke garantie voor een aantal talen in deze momentopname. Benoem de doeltaal, doelgroep en termen die ongewijzigd moeten blijven als de taak vertaling of herschrijving omvat.\n\nModeloverzicht\n\nHet mixture-of-experts-model heeft in totaal 30,5 miljard parameters en activeert er 3,3 miljard. Het heeft 48 lagen, 128 experts en acht geselecteerde experts per token. De native context is 262.144 tokens. Geactiveerde parameters zijn niet de grootte van het volledige checkpoint, en architectuur alleen bewijst geen vaste antwoordtijd in een toepassing.\n\nDeze editie ondersteunt uitsluitend non-Thinking en genereert geen expliciete Thinking-blokken. De instelling enable_thinking=False is in de werkwijze van de ontwikkelaar overbodig. Het model kan nog steeds berekeningen tonen of code in gewone tekst uitleggen; een verzoek om ondersteunende stappen verandert het niet in het afzonderlijke Thinking-checkpoint.\n\nEen bruikbare tekstaanvraag voorbereiden\n\nLever voor een programmeertaak de relevante functie of module, invoerbeperkingen, waargenomen gedrag en het vereiste resultaat. Vraag een voorgestelde patch of volledige functie met uitleg van de betrokken aannames. Geef voor een wiskundige of wetenschappelijke vraag de volledige opgave, eenheden en definities en vraag vervolgens een duidelijk afgebakend eindantwoord dat door de aangeleverde voorwaarden wordt ondersteund.\n\nBenoem voor een open schrijftaak de doelgroep, het doel, de toon en informatie die moet verschijnen. Een nuttig antwoord kan een bewerkbare concepttekst zijn die volgens de gevraagde onderdelen is georganiseerd, met niet-onderbouwde aannames afzonderlijk vermeld. Vergelijk de geretourneerde tekst, berekeningen of voorgestelde code met de aangeleverde feiten, definities en vereisten.\n\nGebruik met agents\n\nQwen documenteert toolaanroepen en raadt Qwen-Agent aan voor sjablonen en parsing, met geconfigureerde of via MCP verbonden tools. Benoem toegestane acties en waarneembare voltooiingsvoorwaarden. Aangesloten tools voeren externe bewerkingen uit en retourneren waarnemingen; het model kan die terugkoppeling in een later antwoord gebruiken. Een voorgestelde opdracht of claim dat een bron is opgehaald hoort gescheiden te blijven van een resultaat dat de werkwijze daadwerkelijk heeft teruggegeven.\n\nEen duidelijk eindresultaat kan een codevoorstel, bewijstabel of beknopt rapport zijn. Toolondersteuning creëert op zichzelf niet via elke interface toegang tot actuele bronnen, bestanden of een uitvoeromgeving. Behoud het non-Thinking-antwoordcontract van het exacte model in plaats van promptschakelaars van een hybride model of uitvoerruimten van een Thinking-editie over te nemen.\n\nUltralange tekst verwerken\n\nDe ontwikkelaar documenteert een optionele werkwijze die ongeveer één miljoen tokens bereikt met Dual Chunk Attention en sparse attention van MInference. Het eerste verdeelt een lange sequentie in hanteerbare delen met behoud van interacties tussen die delen; het tweede richt het rekenwerk op geselecteerde attentionrelaties. Dit is een extra configuratiepad bovenop de native context van 262.144 tokens, met een speciale langcontextconfiguratie.\n\nDe werkwijze schat ongeveer 240 GB totaal GPU-geheugen voor modelgewichten, gecachte sequentietoestand en piekactivaties. Ze beschrijft ook afzonderlijke capaciteitsproblemen door de sequentiecache, het activatiegeheugen of invoer die de geconfigureerde lengte overschrijdt. De werkwijze voor één miljoen tokens hangt dus van configuratie en resources af; het hoofdgetal zou niet als onvoorwaardelijke standaard moeten worden gezien.\n\nBereid lange invoer voor met documentgrenzen, onderdeelnamen of code-identificaties en een concrete vraag. Reserveer ruimte voor het antwoord en vraag het bewijs dat elke conclusie ondersteunt.\n\nGeneratieaanbevelingen\n\nBest Practices raadt temperature 0,7, top_p 0,8, top_k 20 en min_p 0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhalende tekst verminderen, terwijl hogere waarden talen kunnen mengen of de kwaliteit iets verlagen. De ontwikkelaar raadt voor de meeste vragen een uitvoerruimte van 16.384 tokens aan, niet de grotere budgetten die voor Thinking-2507 zijn gedocumenteerd. Dit is een aanbeveling, geen onafhankelijk vastgestelde harde uitvoergrens.\n\nSpecificeer het eindformaat expliciet, zoals een wiskundige afbakening of antwoordveld. De gedocumenteerde modelinvoer is tekst, dus visueel of audiobewijs vereist vóór deze werkwijze een passende afzonderlijke representatie. Toets berekeningen, citaten en gegenereerde code aan de bron. Het nuttige resultaat is een volledig, controleerbaar tekstresultaat waarvan de vaste Instruct-2507-identiteit, non-Thinking-modus en voorwaardelijke langcontextprocedure duidelijk blijven.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 is de vaste non-Thinking-teksteditie van Qwen voor juli, aangeduid als 2507, met 30,5 miljard parameters in totaal en 3,3 miljard geactiveerd. Ze verbetert instructies volgen, programmeren, meertalige kennis en open schrijven, met een native context van 262.144 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten: de vaste Instruct-2507-update
Qwen3-30B-A3B-Instruct-2507 is de bijgewerkte non-Thinking-editie van Qwen3-30B-A3B. De ontwikkelaar benadrukt verbeteringen in instructies volgen, logisch redeneren, tekstbegrip, wiskunde, wetenschap, programmeren en toolgebruik, met bredere kennis van minder vaak voorkomende onderwerpen in meerdere talen en een betere afstemming op open taken. Het accepteert tekst en produceert tekst: een antwoord, uitleg, codevoorstel of gevraagd schrijfresultaat.
Houd de vaste 2507-identiteit gescheiden van het oorspronkelijke hybride Qwen3-30B-A3B, de FP8-build en de Thinking-2507-editie. De beschrijving van meertalige kennis geeft geen afzonderlijke garantie voor een aantal talen in deze momentopname. Benoem de doeltaal, doelgroep en termen die ongewijzigd moeten blijven als de taak vertaling of herschrijving omvat.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 30,5 miljard parameters en activeert er 3,3 miljard. Het heeft 48 lagen, 128 experts en acht geselecteerde experts per token. De native context is 262.144 tokens. Geactiveerde parameters zijn niet de grootte van het volledige checkpoint, en architectuur alleen bewijst geen vaste antwoordtijd in een toepassing.
Deze editie ondersteunt uitsluitend non-Thinking en genereert geen expliciete Thinking-blokken. De instelling enable_thinking=False is in de werkwijze van de ontwikkelaar overbodig. Het model kan nog steeds berekeningen tonen of code in gewone tekst uitleggen; een verzoek om ondersteunende stappen verandert het niet in het afzonderlijke Thinking-checkpoint.
Een bruikbare tekstaanvraag voorbereiden
Lever voor een programmeertaak de relevante functie of module, invoerbeperkingen, waargenomen gedrag en het vereiste resultaat. Vraag een voorgestelde patch of volledige functie met uitleg van de betrokken aannames. Geef voor een wiskundige of wetenschappelijke vraag de volledige opgave, eenheden en definities en vraag vervolgens een duidelijk afgebakend eindantwoord dat door de aangeleverde voorwaarden wordt ondersteund.
Benoem voor een open schrijftaak de doelgroep, het doel, de toon en informatie die moet verschijnen. Een nuttig antwoord kan een bewerkbare concepttekst zijn die volgens de gevraagde onderdelen is georganiseerd, met niet-onderbouwde aannames afzonderlijk vermeld. Vergelijk de geretourneerde tekst, berekeningen of voorgestelde code met de aangeleverde feiten, definities en vereisten.
Gebruik met agents
Qwen documenteert toolaanroepen en raadt Qwen-Agent aan voor sjablonen en parsing, met geconfigureerde of via MCP verbonden tools. Benoem toegestane acties en waarneembare voltooiingsvoorwaarden. Aangesloten tools voeren externe bewerkingen uit en retourneren waarnemingen; het model kan die terugkoppeling in een later antwoord gebruiken. Een voorgestelde opdracht of claim dat een bron is opgehaald hoort gescheiden te blijven van een resultaat dat de werkwijze daadwerkelijk heeft teruggegeven.
Een duidelijk eindresultaat kan een codevoorstel, bewijstabel of beknopt rapport zijn. Toolondersteuning creëert op zichzelf niet via elke interface toegang tot actuele bronnen, bestanden of een uitvoeromgeving. Behoud het non-Thinking-antwoordcontract van het exacte model in plaats van promptschakelaars van een hybride model of uitvoerruimten van een Thinking-editie over te nemen.
Ultralange tekst verwerken
De ontwikkelaar documenteert een optionele werkwijze die ongeveer één miljoen tokens bereikt met Dual Chunk Attention en sparse attention van MInference. Het eerste verdeelt een lange sequentie in hanteerbare delen met behoud van interacties tussen die delen; het tweede richt het rekenwerk op geselecteerde attentionrelaties. Dit is een extra configuratiepad bovenop de native context van 262.144 tokens, met een speciale langcontextconfiguratie.
De werkwijze schat ongeveer 240 GB totaal GPU-geheugen voor modelgewichten, gecachte sequentietoestand en piekactivaties. Ze beschrijft ook afzonderlijke capaciteitsproblemen door de sequentiecache, het activatiegeheugen of invoer die de geconfigureerde lengte overschrijdt. De werkwijze voor één miljoen tokens hangt dus van configuratie en resources af; het hoofdgetal zou niet als onvoorwaardelijke standaard moeten worden gezien.
Bereid lange invoer voor met documentgrenzen, onderdeelnamen of code-identificaties en een concrete vraag. Reserveer ruimte voor het antwoord en vraag het bewijs dat elke conclusie ondersteunt.
Generatieaanbevelingen
Best Practices raadt temperature 0,7, top_p 0,8, top_k 20 en min_p 0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhalende tekst verminderen, terwijl hogere waarden talen kunnen mengen of de kwaliteit iets verlagen. De ontwikkelaar raadt voor de meeste vragen een uitvoerruimte van 16.384 tokens aan, niet de grotere budgetten die voor Thinking-2507 zijn gedocumenteerd. Dit is een aanbeveling, geen onafhankelijk vastgestelde harde uitvoergrens.
Specificeer het eindformaat expliciet, zoals een wiskundige afbakening of antwoordveld. De gedocumenteerde modelinvoer is tekst, dus visueel of audiobewijs vereist vóór deze werkwijze een passende afzonderlijke representatie. Toets berekeningen, citaten en gegenereerde code aan de bron. Het nuttige resultaat is een volledig, controleerbaar tekstresultaat waarvan de vaste Instruct-2507-identiteit, non-Thinking-modus en voorwaardelijke langcontextprocedure duidelijk blijven.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-30b-a3b-instruct-2507 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-30b-a3b-instruct-2507", "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/qwen3-30b-a3b-instruct-2507',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/qwen3-30b-a3b-instruct-2507',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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 is de vaste non-Thinking-teksteditie van Qwen voor juli, aangeduid als 2507, met 30,5 miljard parameters in totaal en 3,3 miljard geactiveerd. Ze verbetert instructies volgen, programmeren, meertalige kennis en open schrijven, met een native context van 262.144 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten: de vaste Instruct-2507-update
Qwen3-30B-A3B-Instruct-2507 is de bijgewerkte non-Thinking-editie van Qwen3-30B-A3B. De ontwikkelaar benadrukt verbeteringen in instructies volgen, logisch redeneren, tekstbegrip, wiskunde, wetenschap, programmeren en toolgebruik, met bredere kennis van minder vaak voorkomende onderwerpen in meerdere talen en een betere afstemming op open taken. Het accepteert tekst en produceert tekst: een antwoord, uitleg, codevoorstel of gevraagd schrijfresultaat.
Houd de vaste 2507-identiteit gescheiden van het oorspronkelijke hybride Qwen3-30B-A3B, de FP8-build en de Thinking-2507-editie. De beschrijving van meertalige kennis geeft geen afzonderlijke garantie voor een aantal talen in deze momentopname. Benoem de doeltaal, doelgroep en termen die ongewijzigd moeten blijven als de taak vertaling of herschrijving omvat.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 30,5 miljard parameters en activeert er 3,3 miljard. Het heeft 48 lagen, 128 experts en acht geselecteerde experts per token. De native context is 262.144 tokens. Geactiveerde parameters zijn niet de grootte van het volledige checkpoint, en architectuur alleen bewijst geen vaste antwoordtijd in een toepassing.
Deze editie ondersteunt uitsluitend non-Thinking en genereert geen expliciete Thinking-blokken. De instelling enable_thinking=False is in de werkwijze van de ontwikkelaar overbodig. Het model kan nog steeds berekeningen tonen of code in gewone tekst uitleggen; een verzoek om ondersteunende stappen verandert het niet in het afzonderlijke Thinking-checkpoint.
Een bruikbare tekstaanvraag voorbereiden
Lever voor een programmeertaak de relevante functie of module, invoerbeperkingen, waargenomen gedrag en het vereiste resultaat. Vraag een voorgestelde patch of volledige functie met uitleg van de betrokken aannames. Geef voor een wiskundige of wetenschappelijke vraag de volledige opgave, eenheden en definities en vraag vervolgens een duidelijk afgebakend eindantwoord dat door de aangeleverde voorwaarden wordt ondersteund.
Benoem voor een open schrijftaak de doelgroep, het doel, de toon en informatie die moet verschijnen. Een nuttig antwoord kan een bewerkbare concepttekst zijn die volgens de gevraagde onderdelen is georganiseerd, met niet-onderbouwde aannames afzonderlijk vermeld. Vergelijk de geretourneerde tekst, berekeningen of voorgestelde code met de aangeleverde feiten, definities en vereisten.
Gebruik met agents
Qwen documenteert toolaanroepen en raadt Qwen-Agent aan voor sjablonen en parsing, met geconfigureerde of via MCP verbonden tools. Benoem toegestane acties en waarneembare voltooiingsvoorwaarden. Aangesloten tools voeren externe bewerkingen uit en retourneren waarnemingen; het model kan die terugkoppeling in een later antwoord gebruiken. Een voorgestelde opdracht of claim dat een bron is opgehaald hoort gescheiden te blijven van een resultaat dat de werkwijze daadwerkelijk heeft teruggegeven.
Een duidelijk eindresultaat kan een codevoorstel, bewijstabel of beknopt rapport zijn. Toolondersteuning creëert op zichzelf niet via elke interface toegang tot actuele bronnen, bestanden of een uitvoeromgeving. Behoud het non-Thinking-antwoordcontract van het exacte model in plaats van promptschakelaars van een hybride model of uitvoerruimten van een Thinking-editie over te nemen.
Ultralange tekst verwerken
De ontwikkelaar documenteert een optionele werkwijze die ongeveer één miljoen tokens bereikt met Dual Chunk Attention en sparse attention van MInference. Het eerste verdeelt een lange sequentie in hanteerbare delen met behoud van interacties tussen die delen; het tweede richt het rekenwerk op geselecteerde attentionrelaties. Dit is een extra configuratiepad bovenop de native context van 262.144 tokens, met een speciale langcontextconfiguratie.
De werkwijze schat ongeveer 240 GB totaal GPU-geheugen voor modelgewichten, gecachte sequentietoestand en piekactivaties. Ze beschrijft ook afzonderlijke capaciteitsproblemen door de sequentiecache, het activatiegeheugen of invoer die de geconfigureerde lengte overschrijdt. De werkwijze voor één miljoen tokens hangt dus van configuratie en resources af; het hoofdgetal zou niet als onvoorwaardelijke standaard moeten worden gezien.
Bereid lange invoer voor met documentgrenzen, onderdeelnamen of code-identificaties en een concrete vraag. Reserveer ruimte voor het antwoord en vraag het bewijs dat elke conclusie ondersteunt.
Generatieaanbevelingen
Best Practices raadt temperature 0,7, top_p 0,8, top_k 20 en min_p 0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhalende tekst verminderen, terwijl hogere waarden talen kunnen mengen of de kwaliteit iets verlagen. De ontwikkelaar raadt voor de meeste vragen een uitvoerruimte van 16.384 tokens aan, niet de grotere budgetten die voor Thinking-2507 zijn gedocumenteerd. Dit is een aanbeveling, geen onafhankelijk vastgestelde harde uitvoergrens.
Specificeer het eindformaat expliciet, zoals een wiskundige afbakening of antwoordveld. De gedocumenteerde modelinvoer is tekst, dus visueel of audiobewijs vereist vóór deze werkwijze een passende afzonderlijke representatie. Toets berekeningen, citaten en gegenereerde code aan de bron. Het nuttige resultaat is een volledig, controleerbaar tekstresultaat waarvan de vaste Instruct-2507-identiteit, non-Thinking-modus en voorwaardelijke langcontextprocedure duidelijk blijven.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-30b-a3b-instruct-2507 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-30b-a3b-instruct-2507', '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/qwen3-30b-a3b-instruct-2507', '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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.