Kernpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, instructieopvolging, toolgebruik en tekstgeneratie, samen met langere denkreeksen en sterker begrip van lange context. Kies deze exacte 2507-editie wanneer de taak baat heeft bij aanhoudend redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem in meerdere stappen of het uitwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30.5 miljard parameters en 3.3 miljard geactiveerde parameters, met 128 experts en acht geselecteerde experts per token over 48 lagen. De native context bedraagt 262,144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een gekoppelde toepassingsworkflow aangeleverd. Dit checkpoint ondersteunt uitsluitend denken. Het verschilt van het eerdere hybride Qwen3-30B-A3B, de FP8-editie ervan en Qwen3-30B-A3B-Instruct-2507. Je mag niet aannemen dat de schakelaar voor niet-denken van het hybride model hier geldt.
De standaardchatsjabloon start de redeneerreeks al met een openingsmarkering voor denken, dus een expliciete instelling enable_thinking=True is niet nodig. Een teruggegeven reeks kan de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Bewaar dat onderscheid wanneer je om een concreet eindproduct vraagt: een bewijsconclusie, een patch of een beslissingstabel moet na de langere uitleg makkelijk te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, beperkingen en relevant bewijsmateriaal. Voeg voor een codewijziging de bestaande functie, foutuitlokkende invoer en het verwachte gedrag toe, en vraag vervolgens om een voorgestelde patch met uitleg over randgevallen. Houd voor een wetenschappelijke vraag waarnemingen gescheiden van aannames en vraag welke conclusie uit elk ervan volgt. Bewaar voor een lang beleid of een lange specificatie de sectie-identificaties en vraag om een beknopte beslissing die op de relevante bepalingen steunt. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Omdat deze versie uitgebreid kan redeneren, moet je ruimte reserveren voor zowel de redenering als het uiteindelijke artefact. Qwen adviseert bij de configuratie van het model waar mogelijk een context boven 131,072 tokens te behouden, zelfs als een kleinere context de geheugendruk zou verlichten. Het cijfer voor native context omvat het reeksbudget; het belooft niet dat dit volledig voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Gebruik met agents
De maker documenteert toolaanroepen en beveelt Qwen-Agent aan voor toolsjablonen en parsing, met inbegrip van integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het beoogde resultaat expliciet. Een toepassing zou het model bijvoorbeeld opgehaald bewijsmateriaal kunnen laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de gekoppelde tools; de mogelijkheid van het model om tools aan te roepen bewijst op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van interacties ertussen; de tweede richt berekeningen op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad, boven op de native context van 262,144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachte aandachtsstatus en piekactivaties.
Dat recept heeft concrete resourcelimieten: gecachte reeksstatus, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met een miljoen tokens hangt dus af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin bij praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om traceerbaar bewijsmateriaal in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatieadvies en limieten
Qwen beveelt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijke wiskundige of programmeerproblemen voor. Dit zijn aanbevelingen voor het generatiebudget, geen afzonderlijk gepubliceerd hard uitvoerplafond. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen.
Specificeer het formaat van het eindantwoord in de prompt, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar uitsluitend het gedeelte met het eindantwoord in de gespreksgeschiedenis, zoals de maker aanbeveelt. Langer redeneren is nuttig wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat je op de uitkomst vertrouwt.
", "aboutText": "Kernpunten: de vaste Thinking-2507-release\n\nQwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, instructieopvolging, toolgebruik en tekstgeneratie, samen met langere denkreeksen en sterker begrip van lange context. Kies deze exacte 2507-editie wanneer de taak baat heeft bij aanhoudend redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem in meerdere stappen of het uitwerken van een complexe codewijziging.\n\nModeloverzicht en modus\n\nHet mixture-of-experts-model heeft in totaal 30.5 miljard parameters en 3.3 miljard geactiveerde parameters, met 128 experts en acht geselecteerde experts per token over 48 lagen. De native context bedraagt 262,144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een gekoppelde toepassingsworkflow aangeleverd. Dit checkpoint ondersteunt uitsluitend denken. Het verschilt van het eerdere hybride Qwen3-30B-A3B, de FP8-editie ervan en Qwen3-30B-A3B-Instruct-2507. Je mag niet aannemen dat de schakelaar voor niet-denken van het hybride model hier geldt.\n\nDe standaardchatsjabloon start de redeneerreeks al met een openingsmarkering voor denken, dus een expliciete instelling enable_thinking=True is niet nodig. Een teruggegeven reeks kan de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Bewaar dat onderscheid wanneer je om een concreet eindproduct vraagt: een bewijsconclusie, een patch of een beslissingstabel moet na de langere uitleg makkelijk te vinden blijven.\n\nEen moeilijke taak voorbereiden\n\nGeef het model de volledige probleemstelling, beperkingen en relevant bewijsmateriaal. Voeg voor een codewijziging de bestaande functie, foutuitlokkende invoer en het verwachte gedrag toe, en vraag vervolgens om een voorgestelde patch met uitleg over randgevallen. Houd voor een wetenschappelijke vraag waarnemingen gescheiden van aannames en vraag welke conclusie uit elk ervan volgt. Bewaar voor een lang beleid of een lange specificatie de sectie-identificaties en vraag om een beknopte beslissing die op de relevante bepalingen steunt. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.\n\nOmdat deze versie uitgebreid kan redeneren, moet je ruimte reserveren voor zowel de redenering als het uiteindelijke artefact. Qwen adviseert bij de configuratie van het model waar mogelijk een context boven 131,072 tokens te behouden, zelfs als een kleinere context de geheugendruk zou verlichten. Het cijfer voor native context omvat het reeksbudget; het belooft niet dat dit volledig voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.\n\nGebruik met agents\n\nDe maker documenteert toolaanroepen en beveelt Qwen-Agent aan voor toolsjablonen en parsing, met inbegrip van integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het beoogde resultaat expliciet. Een toepassing zou het model bijvoorbeeld opgehaald bewijsmateriaal kunnen laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de gekoppelde tools; de mogelijkheid van het model om tools aan te roepen bewijst op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen.\n\nUltralange tekst verwerken\n\nQwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van interacties ertussen; de tweede richt berekeningen op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad, boven op de native context van 262,144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachte aandachtsstatus en piekactivaties.\n\nDat recept heeft concrete resourcelimieten: gecachte reeksstatus, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met een miljoen tokens hangt dus af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin bij praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om traceerbaar bewijsmateriaal in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.\n\nGeneratieadvies en limieten\n\nQwen beveelt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijke wiskundige of programmeerproblemen voor. Dit zijn aanbevelingen voor het generatiebudget, geen afzonderlijk gepubliceerd hard uitvoerplafond. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen.\n\nSpecificeer het formaat van het eindantwoord in de prompt, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar uitsluitend het gedeelte met het eindantwoord in de gespreksgeschiedenis, zoals de maker aanbeveelt. Langer redeneren is nuttig wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat je op de uitkomst vertrouwt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 is Qwen’s uitsluitend denkende tekstmodel voor veeleisende wiskunde, wetenschap, programmeren en logisch redeneren. Deze vaste 2507-editie biedt een native context van 262,144 tokens en een groter redeneerbudget, met gedocumenteerde toolaanroepen en voorwaardelijke workflows voor ultralange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Kernpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, instructieopvolging, toolgebruik en tekstgeneratie, samen met langere denkreeksen en sterker begrip van lange context. Kies deze exacte 2507-editie wanneer de taak baat heeft bij aanhoudend redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem in meerdere stappen of het uitwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30.5 miljard parameters en 3.3 miljard geactiveerde parameters, met 128 experts en acht geselecteerde experts per token over 48 lagen. De native context bedraagt 262,144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een gekoppelde toepassingsworkflow aangeleverd. Dit checkpoint ondersteunt uitsluitend denken. Het verschilt van het eerdere hybride Qwen3-30B-A3B, de FP8-editie ervan en Qwen3-30B-A3B-Instruct-2507. Je mag niet aannemen dat de schakelaar voor niet-denken van het hybride model hier geldt.
De standaardchatsjabloon start de redeneerreeks al met een openingsmarkering voor denken, dus een expliciete instelling enable_thinking=True is niet nodig. Een teruggegeven reeks kan de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Bewaar dat onderscheid wanneer je om een concreet eindproduct vraagt: een bewijsconclusie, een patch of een beslissingstabel moet na de langere uitleg makkelijk te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, beperkingen en relevant bewijsmateriaal. Voeg voor een codewijziging de bestaande functie, foutuitlokkende invoer en het verwachte gedrag toe, en vraag vervolgens om een voorgestelde patch met uitleg over randgevallen. Houd voor een wetenschappelijke vraag waarnemingen gescheiden van aannames en vraag welke conclusie uit elk ervan volgt. Bewaar voor een lang beleid of een lange specificatie de sectie-identificaties en vraag om een beknopte beslissing die op de relevante bepalingen steunt. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Omdat deze versie uitgebreid kan redeneren, moet je ruimte reserveren voor zowel de redenering als het uiteindelijke artefact. Qwen adviseert bij de configuratie van het model waar mogelijk een context boven 131,072 tokens te behouden, zelfs als een kleinere context de geheugendruk zou verlichten. Het cijfer voor native context omvat het reeksbudget; het belooft niet dat dit volledig voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Gebruik met agents
De maker documenteert toolaanroepen en beveelt Qwen-Agent aan voor toolsjablonen en parsing, met inbegrip van integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het beoogde resultaat expliciet. Een toepassing zou het model bijvoorbeeld opgehaald bewijsmateriaal kunnen laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de gekoppelde tools; de mogelijkheid van het model om tools aan te roepen bewijst op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van interacties ertussen; de tweede richt berekeningen op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad, boven op de native context van 262,144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachte aandachtsstatus en piekactivaties.
Dat recept heeft concrete resourcelimieten: gecachte reeksstatus, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met een miljoen tokens hangt dus af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin bij praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om traceerbaar bewijsmateriaal in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatieadvies en limieten
Qwen beveelt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijke wiskundige of programmeerproblemen voor. Dit zijn aanbevelingen voor het generatiebudget, geen afzonderlijk gepubliceerd hard uitvoerplafond. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen.
Specificeer het formaat van het eindantwoord in de prompt, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar uitsluitend het gedeelte met het eindantwoord in de gespreksgeschiedenis, zoals de maker aanbeveelt. Langer redeneren is nuttig wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat je op de uitkomst vertrouwt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen/Qwen3-30B-A3B-Thinking-2507 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
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 |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | 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-Thinking-2507","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="Qwen/Qwen3-30B-A3B-Thinking-2507", 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 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 is Qwen’s uitsluitend denkende tekstmodel voor veeleisende wiskunde, wetenschap, programmeren en logisch redeneren. Deze vaste 2507-editie biedt een native context van 262,144 tokens en een groter redeneerbudget, met gedocumenteerde toolaanroepen en voorwaardelijke workflows voor ultralange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Kernpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, instructieopvolging, toolgebruik en tekstgeneratie, samen met langere denkreeksen en sterker begrip van lange context. Kies deze exacte 2507-editie wanneer de taak baat heeft bij aanhoudend redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem in meerdere stappen of het uitwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30.5 miljard parameters en 3.3 miljard geactiveerde parameters, met 128 experts en acht geselecteerde experts per token over 48 lagen. De native context bedraagt 262,144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een gekoppelde toepassingsworkflow aangeleverd. Dit checkpoint ondersteunt uitsluitend denken. Het verschilt van het eerdere hybride Qwen3-30B-A3B, de FP8-editie ervan en Qwen3-30B-A3B-Instruct-2507. Je mag niet aannemen dat de schakelaar voor niet-denken van het hybride model hier geldt.
De standaardchatsjabloon start de redeneerreeks al met een openingsmarkering voor denken, dus een expliciete instelling enable_thinking=True is niet nodig. Een teruggegeven reeks kan de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Bewaar dat onderscheid wanneer je om een concreet eindproduct vraagt: een bewijsconclusie, een patch of een beslissingstabel moet na de langere uitleg makkelijk te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, beperkingen en relevant bewijsmateriaal. Voeg voor een codewijziging de bestaande functie, foutuitlokkende invoer en het verwachte gedrag toe, en vraag vervolgens om een voorgestelde patch met uitleg over randgevallen. Houd voor een wetenschappelijke vraag waarnemingen gescheiden van aannames en vraag welke conclusie uit elk ervan volgt. Bewaar voor een lang beleid of een lange specificatie de sectie-identificaties en vraag om een beknopte beslissing die op de relevante bepalingen steunt. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Omdat deze versie uitgebreid kan redeneren, moet je ruimte reserveren voor zowel de redenering als het uiteindelijke artefact. Qwen adviseert bij de configuratie van het model waar mogelijk een context boven 131,072 tokens te behouden, zelfs als een kleinere context de geheugendruk zou verlichten. Het cijfer voor native context omvat het reeksbudget; het belooft niet dat dit volledig voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Gebruik met agents
De maker documenteert toolaanroepen en beveelt Qwen-Agent aan voor toolsjablonen en parsing, met inbegrip van integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het beoogde resultaat expliciet. Een toepassing zou het model bijvoorbeeld opgehaald bewijsmateriaal kunnen laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de gekoppelde tools; de mogelijkheid van het model om tools aan te roepen bewijst op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van interacties ertussen; de tweede richt berekeningen op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad, boven op de native context van 262,144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachte aandachtsstatus en piekactivaties.
Dat recept heeft concrete resourcelimieten: gecachte reeksstatus, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met een miljoen tokens hangt dus af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin bij praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om traceerbaar bewijsmateriaal in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatieadvies en limieten
Qwen beveelt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijke wiskundige of programmeerproblemen voor. Dit zijn aanbevelingen voor het generatiebudget, geen afzonderlijk gepubliceerd hard uitvoerplafond. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen.
Specificeer het formaat van het eindantwoord in de prompt, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar uitsluitend het gedeelte met het eindantwoord in de gespreksgeschiedenis, zoals de maker aanbeveelt. Langer redeneren is nuttig wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat je op de uitkomst vertrouwt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen/Qwen3-30B-A3B-Thinking-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Thinking-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-Thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 is Qwen’s uitsluitend denkende tekstmodel voor veeleisende wiskunde, wetenschap, programmeren en logisch redeneren. Deze vaste 2507-editie biedt een native context van 262,144 tokens en een groter redeneerbudget, met gedocumenteerde toolaanroepen en voorwaardelijke workflows voor ultralange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Kernpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, instructieopvolging, toolgebruik en tekstgeneratie, samen met langere denkreeksen en sterker begrip van lange context. Kies deze exacte 2507-editie wanneer de taak baat heeft bij aanhoudend redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem in meerdere stappen of het uitwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30.5 miljard parameters en 3.3 miljard geactiveerde parameters, met 128 experts en acht geselecteerde experts per token over 48 lagen. De native context bedraagt 262,144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een gekoppelde toepassingsworkflow aangeleverd. Dit checkpoint ondersteunt uitsluitend denken. Het verschilt van het eerdere hybride Qwen3-30B-A3B, de FP8-editie ervan en Qwen3-30B-A3B-Instruct-2507. Je mag niet aannemen dat de schakelaar voor niet-denken van het hybride model hier geldt.
De standaardchatsjabloon start de redeneerreeks al met een openingsmarkering voor denken, dus een expliciete instelling enable_thinking=True is niet nodig. Een teruggegeven reeks kan de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Bewaar dat onderscheid wanneer je om een concreet eindproduct vraagt: een bewijsconclusie, een patch of een beslissingstabel moet na de langere uitleg makkelijk te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, beperkingen en relevant bewijsmateriaal. Voeg voor een codewijziging de bestaande functie, foutuitlokkende invoer en het verwachte gedrag toe, en vraag vervolgens om een voorgestelde patch met uitleg over randgevallen. Houd voor een wetenschappelijke vraag waarnemingen gescheiden van aannames en vraag welke conclusie uit elk ervan volgt. Bewaar voor een lang beleid of een lange specificatie de sectie-identificaties en vraag om een beknopte beslissing die op de relevante bepalingen steunt. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Omdat deze versie uitgebreid kan redeneren, moet je ruimte reserveren voor zowel de redenering als het uiteindelijke artefact. Qwen adviseert bij de configuratie van het model waar mogelijk een context boven 131,072 tokens te behouden, zelfs als een kleinere context de geheugendruk zou verlichten. Het cijfer voor native context omvat het reeksbudget; het belooft niet dat dit volledig voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Gebruik met agents
De maker documenteert toolaanroepen en beveelt Qwen-Agent aan voor toolsjablonen en parsing, met inbegrip van integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het beoogde resultaat expliciet. Een toepassing zou het model bijvoorbeeld opgehaald bewijsmateriaal kunnen laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de gekoppelde tools; de mogelijkheid van het model om tools aan te roepen bewijst op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van interacties ertussen; de tweede richt berekeningen op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad, boven op de native context van 262,144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachte aandachtsstatus en piekactivaties.
Dat recept heeft concrete resourcelimieten: gecachte reeksstatus, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met een miljoen tokens hangt dus af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin bij praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om traceerbaar bewijsmateriaal in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatieadvies en limieten
Qwen beveelt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijke wiskundige of programmeerproblemen voor. Dit zijn aanbevelingen voor het generatiebudget, geen afzonderlijk gepubliceerd hard uitvoerplafond. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen.
Specificeer het formaat van het eindantwoord in de prompt, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar uitsluitend het gedeelte met het eindantwoord in de gespreksgeschiedenis, zoals de maker aanbeveelt. Langer redeneren is nuttig wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat je op de uitkomst vertrouwt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-30b-a3b-thinking-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | 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": "qwen3-30b-a3b-thinking-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='qwen3-30b-a3b-thinking-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='qwen3-30b-a3b-thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 is Qwen’s uitsluitend denkende tekstmodel voor veeleisende wiskunde, wetenschap, programmeren en logisch redeneren. Deze vaste 2507-editie biedt een native context van 262,144 tokens en een groter redeneerbudget, met gedocumenteerde toolaanroepen en voorwaardelijke workflows voor ultralange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Kernpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, instructieopvolging, toolgebruik en tekstgeneratie, samen met langere denkreeksen en sterker begrip van lange context. Kies deze exacte 2507-editie wanneer de taak baat heeft bij aanhoudend redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem in meerdere stappen of het uitwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30.5 miljard parameters en 3.3 miljard geactiveerde parameters, met 128 experts en acht geselecteerde experts per token over 48 lagen. De native context bedraagt 262,144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een gekoppelde toepassingsworkflow aangeleverd. Dit checkpoint ondersteunt uitsluitend denken. Het verschilt van het eerdere hybride Qwen3-30B-A3B, de FP8-editie ervan en Qwen3-30B-A3B-Instruct-2507. Je mag niet aannemen dat de schakelaar voor niet-denken van het hybride model hier geldt.
De standaardchatsjabloon start de redeneerreeks al met een openingsmarkering voor denken, dus een expliciete instelling enable_thinking=True is niet nodig. Een teruggegeven reeks kan de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Bewaar dat onderscheid wanneer je om een concreet eindproduct vraagt: een bewijsconclusie, een patch of een beslissingstabel moet na de langere uitleg makkelijk te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, beperkingen en relevant bewijsmateriaal. Voeg voor een codewijziging de bestaande functie, foutuitlokkende invoer en het verwachte gedrag toe, en vraag vervolgens om een voorgestelde patch met uitleg over randgevallen. Houd voor een wetenschappelijke vraag waarnemingen gescheiden van aannames en vraag welke conclusie uit elk ervan volgt. Bewaar voor een lang beleid of een lange specificatie de sectie-identificaties en vraag om een beknopte beslissing die op de relevante bepalingen steunt. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Omdat deze versie uitgebreid kan redeneren, moet je ruimte reserveren voor zowel de redenering als het uiteindelijke artefact. Qwen adviseert bij de configuratie van het model waar mogelijk een context boven 131,072 tokens te behouden, zelfs als een kleinere context de geheugendruk zou verlichten. Het cijfer voor native context omvat het reeksbudget; het belooft niet dat dit volledig voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Gebruik met agents
De maker documenteert toolaanroepen en beveelt Qwen-Agent aan voor toolsjablonen en parsing, met inbegrip van integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het beoogde resultaat expliciet. Een toepassing zou het model bijvoorbeeld opgehaald bewijsmateriaal kunnen laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de gekoppelde tools; de mogelijkheid van het model om tools aan te roepen bewijst op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van interacties ertussen; de tweede richt berekeningen op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad, boven op de native context van 262,144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachte aandachtsstatus en piekactivaties.
Dat recept heeft concrete resourcelimieten: gecachte reeksstatus, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met een miljoen tokens hangt dus af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin bij praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om traceerbaar bewijsmateriaal in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatieadvies en limieten
Qwen beveelt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijke wiskundige of programmeerproblemen voor. Dit zijn aanbevelingen voor het generatiebudget, geen afzonderlijk gepubliceerd hard uitvoerplafond. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen.
Specificeer het formaat van het eindantwoord in de prompt, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar uitsluitend het gedeelte met het eindantwoord in de gespreksgeschiedenis, zoals de maker aanbeveelt. Langer redeneren is nuttig wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat je op de uitkomst vertrouwt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-30b-a3b-thinking-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-30b-a3b-thinking-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': 'qwen3-30b-a3b-thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Technisch voorbeeld in het Engels
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.