Qwen3.8-verbeteringen: volgehouden redeneren over tekst
Qwen3.8-2.4T-A95B is het open Qwen3.8-checkpoint voor tekstredenering. Qwen beschrijft verbeteringen voor programmeren, professioneel werk, onderzoek en agenttaken met een lange horizon, waaronder planning en het gebruik van feedback uit de omgeving. Het verwerkt tekst en geeft tekst terug. De ontwikkelaar onderscheidt het expliciet van het beheerde aanbod Qwen3.8-Max: visuele invoer en ondersteuning voor antwoorden zonder denkmodus zijn extra functies van dat aanbod, geen mogelijkheden van dit specifieke open checkpoint.
Geef voor een programmeertaak de relevante modules, de vereiste en een invoer die het huidige gedrag toont. Vraag om een toegelichte wijziging en een definitief artefact dat kan worden geïnspecteerd. Geef voor een onderzoeksrapport of professioneel verslag het bewijsmateriaal, de vereiste onderdelen en de evaluatiecriteria. Vraag het model vervolgens om onderbouwde bevindingen van aannames te onderscheiden. Dit zijn praktische toepassingen van de gedocumenteerde taakmogelijkheden, geen beloften van uitgevoerde code of door experts gecertificeerde conclusies.
Modeloverzicht
Het sparse mixture-of-experts-model heeft in totaal 2.4 biljoen parameters en activeert er 95 miljard. Het heeft 92 lagen en 512 routed experts, waarvan het tien routed experts samen met één gedeelde expert selecteert. De hybride blokken combineren Gated DeltaNet en gated attention met expertlagen, volgens een patroon van drie tegen één. Multi-token prediction maakt deel uit van de training. Het aantal geactiveerde parameters is niet de volledige checkpointgrootte, en een groot totaal aantal garandeert geen responstijd.
De native context bedraagt 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,010,000. Dit verschilt van de standaardcontext van één miljoen tokens uit de referentie voor de beheerde Max-editie. Gebruik de werkelijk ingestelde sequentieruimte voor brontekst, gespreksgeschiedenis, redeneringen en het definitieve antwoord. Ga er niet van uit dat alle grootste waarden tegelijk gelden.
Het specifieke checkpoint met verplichte denkmodus gebruiken
Denken is bij elke interactie verplicht en kan niet worden uitgeschakeld. De gedocumenteerde uitvoer begint met een redeneerblok vóór de definitieve tekst. reasoning_effort ondersteunt xhigh, medium en low; xhigh is de standaardwaarde. Low verlaagt de beoogde diepgang, maar blijft een denkmodus. Met een verzoek om een beknopt definitief antwoord kunt u het gewenste resultaat sturen zonder dit model in een editie zonder denkmodus te veranderen.
preserve_thinking staat standaard aan. Door redeneringen uit eerdere beurten te bewaren, kan een iteratieve taak haar beslissingscontext meenemen. Houd correcties, toolresultaten en het definitieve antwoord gekoppeld aan de beurten waarin ze zijn ontstaan. Dit model moet zijn eigen regels voor de gespreksgeschiedenis volgen, in plaats van ouder advies over te nemen om alle redeneerblokken uit eerdere berichten te verwijderen. Welke instellingen voor inspanning en behoud precies beschikbaar zijn, hangt af van de interface die het checkpointrecept implementeert.
Ontwikkelomgevingen (harnesses) en feedback uit de omgeving
Qwen beschrijft compatibiliteit met ontwikkelomgevingen (harnesses) en tools. Een langdurige taak kan worden omschreven als een doel, toegestane acties en bewijs van voltooiing; de toepassing kan vervolgens waarnemingen uit inspectie of uitvoering aanleveren. Vraag het model om uit te leggen hoe elk nieuw resultaat het plan verandert en om te melden wat nog niet is opgelost. Een actie plannen en een echt resultaat ontvangen zijn verschillende onderdelen van die workflow.
De voorbeelden voor de beheerde Max-editie op de modelkaart bevatten extra ingebouwde tools. Ze mogen niet worden vertaald naar automatisch zoeken op het web, code-uitvoering of visuele invoer voor dit open model. De nuttige rol ervan is die van een tekstredeneercomponent in een aangesloten workflow; tools en externe effecten horen bij de toepassing die ze aanlevert.
Generatieaanbevelingen
De ontwikkelaar raadt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen. De ondersteuning van parameters verschilt per implementatie.
Voor een ingestelde workflow met één miljoen tokens en afzonderlijke limieten voor redeneringen en het definitieve antwoord raadt Qwen 262,144 tokens voor redeneringen en 131,072 voor het definitieve antwoord aan. Dit zijn voorwaardelijke budgetten, geen afzonderlijk vastgestelde harde limieten of budgetten die samen binnen de native context van 262,144 tokens passen. Voorzie voldoende ruimte voor een volledig artefact en vraag om een definitief resultaat dat na de redenering gemakkelijk terug te vinden is.
Praktische beperkingen
Dit checkpoint verwerkt geen afbeeldingen, audio of video. Zet relevant bewijsmateriaal indien nodig via een afzonderlijke workflow om in een geschikte tekstrepresentatie, met behoud van identificaties waarmee het antwoord kan worden gecontroleerd. De modelkaart vermeldt een uitgebreide context, maar geeft geen volledig uitbreidingsrecept per taak of universele medialimiet voor dit model dat alleen tekst verwerkt. Behoud de exacte checkpointidentiteit en configuratie, controleer berekeningen en codevoorstellen aan de hand van de bron en beschouw het definitieve artefact als een resultaat om na te kijken, niet als bewijs dat een volledige externe taak is uitgevoerd.
", "aboutText": "Qwen3.8-verbeteringen: volgehouden redeneren over tekst\n\nQwen3.8-2.4T-A95B is het open Qwen3.8-checkpoint voor tekstredenering. Qwen beschrijft verbeteringen voor programmeren, professioneel werk, onderzoek en agenttaken met een lange horizon, waaronder planning en het gebruik van feedback uit de omgeving. Het verwerkt tekst en geeft tekst terug. De ontwikkelaar onderscheidt het expliciet van het beheerde aanbod Qwen3.8-Max: visuele invoer en ondersteuning voor antwoorden zonder denkmodus zijn extra functies van dat aanbod, geen mogelijkheden van dit specifieke open checkpoint.\n\nGeef voor een programmeertaak de relevante modules, de vereiste en een invoer die het huidige gedrag toont. Vraag om een toegelichte wijziging en een definitief artefact dat kan worden geïnspecteerd. Geef voor een onderzoeksrapport of professioneel verslag het bewijsmateriaal, de vereiste onderdelen en de evaluatiecriteria. Vraag het model vervolgens om onderbouwde bevindingen van aannames te onderscheiden. Dit zijn praktische toepassingen van de gedocumenteerde taakmogelijkheden, geen beloften van uitgevoerde code of door experts gecertificeerde conclusies.\n\nModeloverzicht\n\nHet sparse mixture-of-experts-model heeft in totaal 2.4 biljoen parameters en activeert er 95 miljard. Het heeft 92 lagen en 512 routed experts, waarvan het tien routed experts samen met één gedeelde expert selecteert. De hybride blokken combineren Gated DeltaNet en gated attention met expertlagen, volgens een patroon van drie tegen één. Multi-token prediction maakt deel uit van de training. Het aantal geactiveerde parameters is niet de volledige checkpointgrootte, en een groot totaal aantal garandeert geen responstijd.\n\nDe native context bedraagt 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,010,000. Dit verschilt van de standaardcontext van één miljoen tokens uit de referentie voor de beheerde Max-editie. Gebruik de werkelijk ingestelde sequentieruimte voor brontekst, gespreksgeschiedenis, redeneringen en het definitieve antwoord. Ga er niet van uit dat alle grootste waarden tegelijk gelden.\n\nHet specifieke checkpoint met verplichte denkmodus gebruiken\n\nDenken is bij elke interactie verplicht en kan niet worden uitgeschakeld. De gedocumenteerde uitvoer begint met een redeneerblok vóór de definitieve tekst. reasoning_effort ondersteunt xhigh, medium en low; xhigh is de standaardwaarde. Low verlaagt de beoogde diepgang, maar blijft een denkmodus. Met een verzoek om een beknopt definitief antwoord kunt u het gewenste resultaat sturen zonder dit model in een editie zonder denkmodus te veranderen.\n\npreserve_thinking staat standaard aan. Door redeneringen uit eerdere beurten te bewaren, kan een iteratieve taak haar beslissingscontext meenemen. Houd correcties, toolresultaten en het definitieve antwoord gekoppeld aan de beurten waarin ze zijn ontstaan. Dit model moet zijn eigen regels voor de gespreksgeschiedenis volgen, in plaats van ouder advies over te nemen om alle redeneerblokken uit eerdere berichten te verwijderen. Welke instellingen voor inspanning en behoud precies beschikbaar zijn, hangt af van de interface die het checkpointrecept implementeert.\n\nOntwikkelomgevingen (harnesses) en feedback uit de omgeving\n\nQwen beschrijft compatibiliteit met ontwikkelomgevingen (harnesses) en tools. Een langdurige taak kan worden omschreven als een doel, toegestane acties en bewijs van voltooiing; de toepassing kan vervolgens waarnemingen uit inspectie of uitvoering aanleveren. Vraag het model om uit te leggen hoe elk nieuw resultaat het plan verandert en om te melden wat nog niet is opgelost. Een actie plannen en een echt resultaat ontvangen zijn verschillende onderdelen van die workflow.\n\nDe voorbeelden voor de beheerde Max-editie op de modelkaart bevatten extra ingebouwde tools. Ze mogen niet worden vertaald naar automatisch zoeken op het web, code-uitvoering of visuele invoer voor dit open model. De nuttige rol ervan is die van een tekstredeneercomponent in een aangesloten workflow; tools en externe effecten horen bij de toepassing die ze aanlevert.\n\nGeneratieaanbevelingen\n\nDe ontwikkelaar raadt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen. De ondersteuning van parameters verschilt per implementatie.\n\nVoor een ingestelde workflow met één miljoen tokens en afzonderlijke limieten voor redeneringen en het definitieve antwoord raadt Qwen 262,144 tokens voor redeneringen en 131,072 voor het definitieve antwoord aan. Dit zijn voorwaardelijke budgetten, geen afzonderlijk vastgestelde harde limieten of budgetten die samen binnen de native context van 262,144 tokens passen. Voorzie voldoende ruimte voor een volledig artefact en vraag om een definitief resultaat dat na de redenering gemakkelijk terug te vinden is.\n\nPraktische beperkingen\n\nDit checkpoint verwerkt geen afbeeldingen, audio of video. Zet relevant bewijsmateriaal indien nodig via een afzonderlijke workflow om in een geschikte tekstrepresentatie, met behoud van identificaties waarmee het antwoord kan worden gecontroleerd. De modelkaart vermeldt een uitgebreide context, maar geeft geen volledig uitbreidingsrecept per taak of universele medialimiet voor dit model dat alleen tekst verwerkt. Behoud de exacte checkpointidentiteit en configuratie, controleer berekeningen en codevoorstellen aan de hand van de bron en beschouw het definitieve artefact als een resultaat om na te kijken, niet als bewijs dat een volledige externe taak is uitgevoerd.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B is het sparse mixture-of-experts-model van Qwen voor tekstredenering, met in totaal 2.4 biljoen parameters waarvan 95 miljard worden geactiveerd. Dit open checkpoint gebruikt altijd de denkmodus, ondersteunt een instelbare redeneerinspanning en bewaart de redeneercontext voor langdurige programmeertaken en professioneel werk.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3.8-verbeteringen: volgehouden redeneren over tekst
Qwen3.8-2.4T-A95B is het open Qwen3.8-checkpoint voor tekstredenering. Qwen beschrijft verbeteringen voor programmeren, professioneel werk, onderzoek en agenttaken met een lange horizon, waaronder planning en het gebruik van feedback uit de omgeving. Het verwerkt tekst en geeft tekst terug. De ontwikkelaar onderscheidt het expliciet van het beheerde aanbod Qwen3.8-Max: visuele invoer en ondersteuning voor antwoorden zonder denkmodus zijn extra functies van dat aanbod, geen mogelijkheden van dit specifieke open checkpoint.
Geef voor een programmeertaak de relevante modules, de vereiste en een invoer die het huidige gedrag toont. Vraag om een toegelichte wijziging en een definitief artefact dat kan worden geïnspecteerd. Geef voor een onderzoeksrapport of professioneel verslag het bewijsmateriaal, de vereiste onderdelen en de evaluatiecriteria. Vraag het model vervolgens om onderbouwde bevindingen van aannames te onderscheiden. Dit zijn praktische toepassingen van de gedocumenteerde taakmogelijkheden, geen beloften van uitgevoerde code of door experts gecertificeerde conclusies.
Modeloverzicht
Het sparse mixture-of-experts-model heeft in totaal 2.4 biljoen parameters en activeert er 95 miljard. Het heeft 92 lagen en 512 routed experts, waarvan het tien routed experts samen met één gedeelde expert selecteert. De hybride blokken combineren Gated DeltaNet en gated attention met expertlagen, volgens een patroon van drie tegen één. Multi-token prediction maakt deel uit van de training. Het aantal geactiveerde parameters is niet de volledige checkpointgrootte, en een groot totaal aantal garandeert geen responstijd.
De native context bedraagt 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,010,000. Dit verschilt van de standaardcontext van één miljoen tokens uit de referentie voor de beheerde Max-editie. Gebruik de werkelijk ingestelde sequentieruimte voor brontekst, gespreksgeschiedenis, redeneringen en het definitieve antwoord. Ga er niet van uit dat alle grootste waarden tegelijk gelden.
Het specifieke checkpoint met verplichte denkmodus gebruiken
Denken is bij elke interactie verplicht en kan niet worden uitgeschakeld. De gedocumenteerde uitvoer begint met een redeneerblok vóór de definitieve tekst. reasoning_effort ondersteunt xhigh, medium en low; xhigh is de standaardwaarde. Low verlaagt de beoogde diepgang, maar blijft een denkmodus. Met een verzoek om een beknopt definitief antwoord kunt u het gewenste resultaat sturen zonder dit model in een editie zonder denkmodus te veranderen.
preserve_thinking staat standaard aan. Door redeneringen uit eerdere beurten te bewaren, kan een iteratieve taak haar beslissingscontext meenemen. Houd correcties, toolresultaten en het definitieve antwoord gekoppeld aan de beurten waarin ze zijn ontstaan. Dit model moet zijn eigen regels voor de gespreksgeschiedenis volgen, in plaats van ouder advies over te nemen om alle redeneerblokken uit eerdere berichten te verwijderen. Welke instellingen voor inspanning en behoud precies beschikbaar zijn, hangt af van de interface die het checkpointrecept implementeert.
Ontwikkelomgevingen (harnesses) en feedback uit de omgeving
Qwen beschrijft compatibiliteit met ontwikkelomgevingen (harnesses) en tools. Een langdurige taak kan worden omschreven als een doel, toegestane acties en bewijs van voltooiing; de toepassing kan vervolgens waarnemingen uit inspectie of uitvoering aanleveren. Vraag het model om uit te leggen hoe elk nieuw resultaat het plan verandert en om te melden wat nog niet is opgelost. Een actie plannen en een echt resultaat ontvangen zijn verschillende onderdelen van die workflow.
De voorbeelden voor de beheerde Max-editie op de modelkaart bevatten extra ingebouwde tools. Ze mogen niet worden vertaald naar automatisch zoeken op het web, code-uitvoering of visuele invoer voor dit open model. De nuttige rol ervan is die van een tekstredeneercomponent in een aangesloten workflow; tools en externe effecten horen bij de toepassing die ze aanlevert.
Generatieaanbevelingen
De ontwikkelaar raadt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen. De ondersteuning van parameters verschilt per implementatie.
Voor een ingestelde workflow met één miljoen tokens en afzonderlijke limieten voor redeneringen en het definitieve antwoord raadt Qwen 262,144 tokens voor redeneringen en 131,072 voor het definitieve antwoord aan. Dit zijn voorwaardelijke budgetten, geen afzonderlijk vastgestelde harde limieten of budgetten die samen binnen de native context van 262,144 tokens passen. Voorzie voldoende ruimte voor een volledig artefact en vraag om een definitief resultaat dat na de redenering gemakkelijk terug te vinden is.
Praktische beperkingen
Dit checkpoint verwerkt geen afbeeldingen, audio of video. Zet relevant bewijsmateriaal indien nodig via een afzonderlijke workflow om in een geschikte tekstrepresentatie, met behoud van identificaties waarmee het antwoord kan worden gecontroleerd. De modelkaart vermeldt een uitgebreide context, maar geeft geen volledig uitbreidingsrecept per taak of universele medialimiet voor dit model dat alleen tekst verwerkt. Behoud de exacte checkpointidentiteit en configuratie, controleer berekeningen en codevoorstellen aan de hand van de bron en beschouw het definitieve artefact als een resultaat om na te kijken, niet als bewijs dat een volledige externe taak is uitgevoerd.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0005 / 1K tokens Invoer · Cache schrijven $0.005 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0005 / 1K tokens Invoer · Cache schrijven $0.005 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-2.4t-a95b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B is het sparse mixture-of-experts-model van Qwen voor tekstredenering, met in totaal 2.4 biljoen parameters waarvan 95 miljard worden geactiveerd. Dit open checkpoint gebruikt altijd de denkmodus, ondersteunt een instelbare redeneerinspanning en bewaart de redeneercontext voor langdurige programmeertaken en professioneel werk.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3.8-verbeteringen: volgehouden redeneren over tekst
Qwen3.8-2.4T-A95B is het open Qwen3.8-checkpoint voor tekstredenering. Qwen beschrijft verbeteringen voor programmeren, professioneel werk, onderzoek en agenttaken met een lange horizon, waaronder planning en het gebruik van feedback uit de omgeving. Het verwerkt tekst en geeft tekst terug. De ontwikkelaar onderscheidt het expliciet van het beheerde aanbod Qwen3.8-Max: visuele invoer en ondersteuning voor antwoorden zonder denkmodus zijn extra functies van dat aanbod, geen mogelijkheden van dit specifieke open checkpoint.
Geef voor een programmeertaak de relevante modules, de vereiste en een invoer die het huidige gedrag toont. Vraag om een toegelichte wijziging en een definitief artefact dat kan worden geïnspecteerd. Geef voor een onderzoeksrapport of professioneel verslag het bewijsmateriaal, de vereiste onderdelen en de evaluatiecriteria. Vraag het model vervolgens om onderbouwde bevindingen van aannames te onderscheiden. Dit zijn praktische toepassingen van de gedocumenteerde taakmogelijkheden, geen beloften van uitgevoerde code of door experts gecertificeerde conclusies.
Modeloverzicht
Het sparse mixture-of-experts-model heeft in totaal 2.4 biljoen parameters en activeert er 95 miljard. Het heeft 92 lagen en 512 routed experts, waarvan het tien routed experts samen met één gedeelde expert selecteert. De hybride blokken combineren Gated DeltaNet en gated attention met expertlagen, volgens een patroon van drie tegen één. Multi-token prediction maakt deel uit van de training. Het aantal geactiveerde parameters is niet de volledige checkpointgrootte, en een groot totaal aantal garandeert geen responstijd.
De native context bedraagt 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,010,000. Dit verschilt van de standaardcontext van één miljoen tokens uit de referentie voor de beheerde Max-editie. Gebruik de werkelijk ingestelde sequentieruimte voor brontekst, gespreksgeschiedenis, redeneringen en het definitieve antwoord. Ga er niet van uit dat alle grootste waarden tegelijk gelden.
Het specifieke checkpoint met verplichte denkmodus gebruiken
Denken is bij elke interactie verplicht en kan niet worden uitgeschakeld. De gedocumenteerde uitvoer begint met een redeneerblok vóór de definitieve tekst. reasoning_effort ondersteunt xhigh, medium en low; xhigh is de standaardwaarde. Low verlaagt de beoogde diepgang, maar blijft een denkmodus. Met een verzoek om een beknopt definitief antwoord kunt u het gewenste resultaat sturen zonder dit model in een editie zonder denkmodus te veranderen.
preserve_thinking staat standaard aan. Door redeneringen uit eerdere beurten te bewaren, kan een iteratieve taak haar beslissingscontext meenemen. Houd correcties, toolresultaten en het definitieve antwoord gekoppeld aan de beurten waarin ze zijn ontstaan. Dit model moet zijn eigen regels voor de gespreksgeschiedenis volgen, in plaats van ouder advies over te nemen om alle redeneerblokken uit eerdere berichten te verwijderen. Welke instellingen voor inspanning en behoud precies beschikbaar zijn, hangt af van de interface die het checkpointrecept implementeert.
Ontwikkelomgevingen (harnesses) en feedback uit de omgeving
Qwen beschrijft compatibiliteit met ontwikkelomgevingen (harnesses) en tools. Een langdurige taak kan worden omschreven als een doel, toegestane acties en bewijs van voltooiing; de toepassing kan vervolgens waarnemingen uit inspectie of uitvoering aanleveren. Vraag het model om uit te leggen hoe elk nieuw resultaat het plan verandert en om te melden wat nog niet is opgelost. Een actie plannen en een echt resultaat ontvangen zijn verschillende onderdelen van die workflow.
De voorbeelden voor de beheerde Max-editie op de modelkaart bevatten extra ingebouwde tools. Ze mogen niet worden vertaald naar automatisch zoeken op het web, code-uitvoering of visuele invoer voor dit open model. De nuttige rol ervan is die van een tekstredeneercomponent in een aangesloten workflow; tools en externe effecten horen bij de toepassing die ze aanlevert.
Generatieaanbevelingen
De ontwikkelaar raadt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit licht verlagen. De ondersteuning van parameters verschilt per implementatie.
Voor een ingestelde workflow met één miljoen tokens en afzonderlijke limieten voor redeneringen en het definitieve antwoord raadt Qwen 262,144 tokens voor redeneringen en 131,072 voor het definitieve antwoord aan. Dit zijn voorwaardelijke budgetten, geen afzonderlijk vastgestelde harde limieten of budgetten die samen binnen de native context van 262,144 tokens passen. Voorzie voldoende ruimte voor een volledig artefact en vraag om een definitief resultaat dat na de redenering gemakkelijk terug te vinden is.
Praktische beperkingen
Dit checkpoint verwerkt geen afbeeldingen, audio of video. Zet relevant bewijsmateriaal indien nodig via een afzonderlijke workflow om in een geschikte tekstrepresentatie, met behoud van identificaties waarmee het antwoord kan worden gecontroleerd. De modelkaart vermeldt een uitgebreide context, maar geeft geen volledig uitbreidingsrecept per taak of universele medialimiet voor dit model dat alleen tekst verwerkt. Behoud de exacte checkpointidentiteit en configuratie, controleer berekeningen en codevoorstellen aan de hand van de bron en beschouw het definitieve artefact als een resultaat om na te kijken, niet als bewijs dat een volledige externe taak is uitgevoerd.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0005 / 1K tokens Invoer · Cache schrijven $0.005 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0005 / 1K tokens Invoer · Cache schrijven $0.005 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-2.4t-a95b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.