Hoofdpunten: een model gebouwd voor programmeeragents
Qwen3-Coder-Next is een open tekstmodel dat specifiek voor programmeeragents en ontwikkelprocessen is ontworpen. Qwen beschrijft probleemoplossing over een lange horizon, complex toolgebruik en herstel van uitvoeringsfouten, met aanpasbaarheid aan verschillende ontwikkelomgevingen voor agents. Het accepteert en produceert tekst, waaronder code, uitleg en toolverzoeken. Dit exacte Coder-Next-checkpoint heeft een eigen non-Thinking-contract; de Thinking-edities van de bredere Next-familie horen het niet te vervangen.
Lever voor een ontwikkeltaak de relevante bestanden of fragmenten, het bedoelde gedrag en invoer die een probleem aantoont. Vraag een bewerkbare wijziging en uitleg die aan die voorwaarden is gekoppeld. Definieer voor een meerstapstaak het doel, toegestane tools en waarnemingen die voltooiing zouden aantonen. Toets de voorgestelde codewijziging en uitleg aan de aangeleverde bestanden, falende invoer en voltooiingscriteria.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. De hybride structuur van 48 lagen herhaalt drie expertlagen met Gated DeltaNet, gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 512 experts, tien geactiveerde experts en één gedeelde expert. Het kleine actieve aantal is een rekeneigenschap van het sparse model, niet de grootte van het volledige checkpoint.
De native context is 262.144 tokens. De voorbeelden van de ontwikkelaar laten een kleinere context toe, zoals 32.768, als geheugenbeperkingen de grotere configuratie verhinderen. Broncode, geschiedenis, toolwaarnemingen en gegenereerde tekst moeten in de geconfigureerde sequentieruimte passen. De kaart legt geen standaarduitbreiding naar één miljoen tokens voor dit checkpoint vast.
De non-Thinking-tekstinterface gebruiken
Coder-Next ondersteunt uitsluitend non-Thinking en genereert geen expliciete Thinking-blokken. De instelling enable_thinking=False is in het voorbeeld van de ontwikkelaar overbodig. Het kan nog steeds een patch uitleggen, een algoritme bespreken of in gewone tekst redeneren; non-Thinking beschrijft de uitvoermodus en verbiedt geen uitleg.
De snelstart vraagt een sorteeralgoritme en gebruikt een generatieruimte van 65.536 tokens. Dat is een voorbeeldbudget, geen afzonderlijk gepubliceerde harde uitvoergrens. Benoem formaat en beperkingen van het resultaat: taal, relevante interfaces, vereist gedrag en of het antwoord een patch, volledige functie of uitleg hoort te bevatten. Houd het bewerkbare resultaat apart van commentaar, zodat het gemakkelijk te beoordelen is.
Ontwikkelomgevingen voor agents en context
De ontwikkelaar benadrukt compatibiliteit met CLI- en IDE-achtige agentomgevingen, waaronder Qwen Code. Zo'n omgeving levert projecttoestand, tooldefinities, waarnemingen en gespreksformaat. Behoud die invoer consistent tijdens een meerstapstaak. Geef als een tool een falende controle meldt de daadwerkelijke fout en relevante gewijzigde code, in plaats van het model alleen te laten herproberen.
Werk over een lange horizon heeft baat bij een zichtbare taaktoestand: wat is waargenomen, welke wijziging is voorgesteld en welke voorwaarde blijft onopgelost. Een toolwaarneming verschilt van een claim in gegenereerde tekst. De herstelmogelijkheid van het model hoort niet als automatische toestemming om opdrachten uit te voeren of als garantie dat elk herstel slaagt te worden behandeld.
Programmeren met agents en toolaanroepen
Qwen documenteert functieachtige tooldefinities met namen, beschrijvingen, invoerschema's en vereiste velden. Geef een precieze definitie en de verwachte betekenis van de retourwaarde. De toepassing voert een gekozen tool uit en retourneert het resultaat; het model gebruikt dit in de volgende stap. Toolaanroepen op zichzelf geven geen toegang tot een bestandssysteem, actuele bronnen of een uitvoeromgeving.
Beperk voor een agent die een repository bewerkt de toegestane bestanden en het gevraagde resultaat. Een nuttig eindrapport kan betrokken modules identificeren, de wijziging uitleggen en daadwerkelijke resultaten van aangesloten controles vermelden. Houd voorgestelde opdrachten, gegenereerde code en voltooide bewerkingen apart. Dit zijn praktische werkvoorbeelden op basis van de gedocumenteerde ontwikkel- en toolscope.
Generatieaanbevelingen
De ontwikkelaar raadt temperature 1,0, top_p 0,95 en top_k 40 aan. Die exacte instellingen verschillen van die van meerdere Qwen-gespreksmodellen en horen bij de eigen werkwijze van Coder-Next te blijven. De gepubliceerde configuratie gebruikt een causale Qwen3-Next-taalmodelarchitectuur. Gebruik de gedocumenteerde modelnaam en het chatsjabloon van dit checkpoint consistent tijdens het programmeerproces.
Inhoudelijke grenzen
De gedocumenteerde invoer is tekst, dus screenshots, audio of video vereisen vóór dit programmeerproces een geschikte afzonderlijke representatie. Native context en voorbeeldgeneratieruimten zijn eindig; verwijder niet-relevante code en reserveer ruimte voor het gevraagde resultaat. Controleer gegenereerde syntaxis, interfaces, randgevallen en voorgestelde wijzigingen in het daadwerkelijke ontwikkelproces. De bruikbare uitvoer is een controleerbaar code- of uitlegresultaat dat door daadwerkelijk taakbewijs wordt ondersteund, met behoud van de uitsluitend tekstuele en non-Thinking-identiteit van dit checkpoint.
", "aboutText": "Hoofdpunten: een model gebouwd voor programmeeragents\n\nQwen3-Coder-Next is een open tekstmodel dat specifiek voor programmeeragents en ontwikkelprocessen is ontworpen. Qwen beschrijft probleemoplossing over een lange horizon, complex toolgebruik en herstel van uitvoeringsfouten, met aanpasbaarheid aan verschillende ontwikkelomgevingen voor agents. Het accepteert en produceert tekst, waaronder code, uitleg en toolverzoeken. Dit exacte Coder-Next-checkpoint heeft een eigen non-Thinking-contract; de Thinking-edities van de bredere Next-familie horen het niet te vervangen.\n\nLever voor een ontwikkeltaak de relevante bestanden of fragmenten, het bedoelde gedrag en invoer die een probleem aantoont. Vraag een bewerkbare wijziging en uitleg die aan die voorwaarden is gekoppeld. Definieer voor een meerstapstaak het doel, toegestane tools en waarnemingen die voltooiing zouden aantonen. Toets de voorgestelde codewijziging en uitleg aan de aangeleverde bestanden, falende invoer en voltooiingscriteria.\n\nModeloverzicht\n\nHet model heeft in totaal 80 miljard parameters en activeert er drie miljard. De hybride structuur van 48 lagen herhaalt drie expertlagen met Gated DeltaNet, gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 512 experts, tien geactiveerde experts en één gedeelde expert. Het kleine actieve aantal is een rekeneigenschap van het sparse model, niet de grootte van het volledige checkpoint.\n\nDe native context is 262.144 tokens. De voorbeelden van de ontwikkelaar laten een kleinere context toe, zoals 32.768, als geheugenbeperkingen de grotere configuratie verhinderen. Broncode, geschiedenis, toolwaarnemingen en gegenereerde tekst moeten in de geconfigureerde sequentieruimte passen. De kaart legt geen standaarduitbreiding naar één miljoen tokens voor dit checkpoint vast.\n\nDe non-Thinking-tekstinterface gebruiken\n\nCoder-Next ondersteunt uitsluitend non-Thinking en genereert geen expliciete Thinking-blokken. De instelling enable_thinking=False is in het voorbeeld van de ontwikkelaar overbodig. Het kan nog steeds een patch uitleggen, een algoritme bespreken of in gewone tekst redeneren; non-Thinking beschrijft de uitvoermodus en verbiedt geen uitleg.\n\nDe snelstart vraagt een sorteeralgoritme en gebruikt een generatieruimte van 65.536 tokens. Dat is een voorbeeldbudget, geen afzonderlijk gepubliceerde harde uitvoergrens. Benoem formaat en beperkingen van het resultaat: taal, relevante interfaces, vereist gedrag en of het antwoord een patch, volledige functie of uitleg hoort te bevatten. Houd het bewerkbare resultaat apart van commentaar, zodat het gemakkelijk te beoordelen is.\n\nOntwikkelomgevingen voor agents en context\n\nDe ontwikkelaar benadrukt compatibiliteit met CLI- en IDE-achtige agentomgevingen, waaronder Qwen Code. Zo'n omgeving levert projecttoestand, tooldefinities, waarnemingen en gespreksformaat. Behoud die invoer consistent tijdens een meerstapstaak. Geef als een tool een falende controle meldt de daadwerkelijke fout en relevante gewijzigde code, in plaats van het model alleen te laten herproberen.\n\nWerk over een lange horizon heeft baat bij een zichtbare taaktoestand: wat is waargenomen, welke wijziging is voorgesteld en welke voorwaarde blijft onopgelost. Een toolwaarneming verschilt van een claim in gegenereerde tekst. De herstelmogelijkheid van het model hoort niet als automatische toestemming om opdrachten uit te voeren of als garantie dat elk herstel slaagt te worden behandeld.\n\nProgrammeren met agents en toolaanroepen\n\nQwen documenteert functieachtige tooldefinities met namen, beschrijvingen, invoerschema's en vereiste velden. Geef een precieze definitie en de verwachte betekenis van de retourwaarde. De toepassing voert een gekozen tool uit en retourneert het resultaat; het model gebruikt dit in de volgende stap. Toolaanroepen op zichzelf geven geen toegang tot een bestandssysteem, actuele bronnen of een uitvoeromgeving.\n\nBeperk voor een agent die een repository bewerkt de toegestane bestanden en het gevraagde resultaat. Een nuttig eindrapport kan betrokken modules identificeren, de wijziging uitleggen en daadwerkelijke resultaten van aangesloten controles vermelden. Houd voorgestelde opdrachten, gegenereerde code en voltooide bewerkingen apart. Dit zijn praktische werkvoorbeelden op basis van de gedocumenteerde ontwikkel- en toolscope.\n\nGeneratieaanbevelingen\n\nDe ontwikkelaar raadt temperature 1,0, top_p 0,95 en top_k 40 aan. Die exacte instellingen verschillen van die van meerdere Qwen-gespreksmodellen en horen bij de eigen werkwijze van Coder-Next te blijven. De gepubliceerde configuratie gebruikt een causale Qwen3-Next-taalmodelarchitectuur. Gebruik de gedocumenteerde modelnaam en het chatsjabloon van dit checkpoint consistent tijdens het programmeerproces.\n\nInhoudelijke grenzen\n\nDe gedocumenteerde invoer is tekst, dus screenshots, audio of video vereisen vóór dit programmeerproces een geschikte afzonderlijke representatie. Native context en voorbeeldgeneratieruimten zijn eindig; verwijder niet-relevante code en reserveer ruimte voor het gevraagde resultaat. Controleer gegenereerde syntaxis, interfaces, randgevallen en voorgestelde wijzigingen in het daadwerkelijke ontwikkelproces. De bruikbare uitvoer is een controleerbaar code- of uitlegresultaat dat door daadwerkelijk taakbewijs wordt ondersteund, met behoud van de uitsluitend tekstuele en non-Thinking-identiteit van dit checkpoint.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next is het uitsluitend tekstuele programmeeragentmodel van Qwen met 80 miljard parameters in totaal en 3 miljard geactiveerd. Het gebruikt non-Thinking-uitvoer, native context van 262.144 tokens en toolaanroepen voor ontwikkeling, waaronder meerstapswerk en herstel op basis van uitvoeringsfeedback.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten: een model gebouwd voor programmeeragents
Qwen3-Coder-Next is een open tekstmodel dat specifiek voor programmeeragents en ontwikkelprocessen is ontworpen. Qwen beschrijft probleemoplossing over een lange horizon, complex toolgebruik en herstel van uitvoeringsfouten, met aanpasbaarheid aan verschillende ontwikkelomgevingen voor agents. Het accepteert en produceert tekst, waaronder code, uitleg en toolverzoeken. Dit exacte Coder-Next-checkpoint heeft een eigen non-Thinking-contract; de Thinking-edities van de bredere Next-familie horen het niet te vervangen.
Lever voor een ontwikkeltaak de relevante bestanden of fragmenten, het bedoelde gedrag en invoer die een probleem aantoont. Vraag een bewerkbare wijziging en uitleg die aan die voorwaarden is gekoppeld. Definieer voor een meerstapstaak het doel, toegestane tools en waarnemingen die voltooiing zouden aantonen. Toets de voorgestelde codewijziging en uitleg aan de aangeleverde bestanden, falende invoer en voltooiingscriteria.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. De hybride structuur van 48 lagen herhaalt drie expertlagen met Gated DeltaNet, gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 512 experts, tien geactiveerde experts en één gedeelde expert. Het kleine actieve aantal is een rekeneigenschap van het sparse model, niet de grootte van het volledige checkpoint.
De native context is 262.144 tokens. De voorbeelden van de ontwikkelaar laten een kleinere context toe, zoals 32.768, als geheugenbeperkingen de grotere configuratie verhinderen. Broncode, geschiedenis, toolwaarnemingen en gegenereerde tekst moeten in de geconfigureerde sequentieruimte passen. De kaart legt geen standaarduitbreiding naar één miljoen tokens voor dit checkpoint vast.
De non-Thinking-tekstinterface gebruiken
Coder-Next ondersteunt uitsluitend non-Thinking en genereert geen expliciete Thinking-blokken. De instelling enable_thinking=False is in het voorbeeld van de ontwikkelaar overbodig. Het kan nog steeds een patch uitleggen, een algoritme bespreken of in gewone tekst redeneren; non-Thinking beschrijft de uitvoermodus en verbiedt geen uitleg.
De snelstart vraagt een sorteeralgoritme en gebruikt een generatieruimte van 65.536 tokens. Dat is een voorbeeldbudget, geen afzonderlijk gepubliceerde harde uitvoergrens. Benoem formaat en beperkingen van het resultaat: taal, relevante interfaces, vereist gedrag en of het antwoord een patch, volledige functie of uitleg hoort te bevatten. Houd het bewerkbare resultaat apart van commentaar, zodat het gemakkelijk te beoordelen is.
Ontwikkelomgevingen voor agents en context
De ontwikkelaar benadrukt compatibiliteit met CLI- en IDE-achtige agentomgevingen, waaronder Qwen Code. Zo'n omgeving levert projecttoestand, tooldefinities, waarnemingen en gespreksformaat. Behoud die invoer consistent tijdens een meerstapstaak. Geef als een tool een falende controle meldt de daadwerkelijke fout en relevante gewijzigde code, in plaats van het model alleen te laten herproberen.
Werk over een lange horizon heeft baat bij een zichtbare taaktoestand: wat is waargenomen, welke wijziging is voorgesteld en welke voorwaarde blijft onopgelost. Een toolwaarneming verschilt van een claim in gegenereerde tekst. De herstelmogelijkheid van het model hoort niet als automatische toestemming om opdrachten uit te voeren of als garantie dat elk herstel slaagt te worden behandeld.
Programmeren met agents en toolaanroepen
Qwen documenteert functieachtige tooldefinities met namen, beschrijvingen, invoerschema's en vereiste velden. Geef een precieze definitie en de verwachte betekenis van de retourwaarde. De toepassing voert een gekozen tool uit en retourneert het resultaat; het model gebruikt dit in de volgende stap. Toolaanroepen op zichzelf geven geen toegang tot een bestandssysteem, actuele bronnen of een uitvoeromgeving.
Beperk voor een agent die een repository bewerkt de toegestane bestanden en het gevraagde resultaat. Een nuttig eindrapport kan betrokken modules identificeren, de wijziging uitleggen en daadwerkelijke resultaten van aangesloten controles vermelden. Houd voorgestelde opdrachten, gegenereerde code en voltooide bewerkingen apart. Dit zijn praktische werkvoorbeelden op basis van de gedocumenteerde ontwikkel- en toolscope.
Generatieaanbevelingen
De ontwikkelaar raadt temperature 1,0, top_p 0,95 en top_k 40 aan. Die exacte instellingen verschillen van die van meerdere Qwen-gespreksmodellen en horen bij de eigen werkwijze van Coder-Next te blijven. De gepubliceerde configuratie gebruikt een causale Qwen3-Next-taalmodelarchitectuur. Gebruik de gedocumenteerde modelnaam en het chatsjabloon van dit checkpoint consistent tijdens het programmeerproces.
Inhoudelijke grenzen
De gedocumenteerde invoer is tekst, dus screenshots, audio of video vereisen vóór dit programmeerproces een geschikte afzonderlijke representatie. Native context en voorbeeldgeneratieruimten zijn eindig; verwijder niet-relevante code en reserveer ruimte voor het gevraagde resultaat. Controleer gegenereerde syntaxis, interfaces, randgevallen en voorgestelde wijzigingen in het daadwerkelijke ontwikkelproces. De bruikbare uitvoer is een controleerbaar code- of uitlegresultaat dat door daadwerkelijk taakbewijs wordt ondersteund, met behoud van de uitsluitend tekstuele en non-Thinking-identiteit van dit checkpoint.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-coder-nextQwen3-Coder-Next is het uitsluitend tekstuele programmeeragentmodel van Qwen met 80 miljard parameters in totaal en 3 miljard geactiveerd. Het gebruikt non-Thinking-uitvoer, native context van 262.144 tokens en toolaanroepen voor ontwikkeling, waaronder meerstapswerk en herstel op basis van uitvoeringsfeedback.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten: een model gebouwd voor programmeeragents
Qwen3-Coder-Next is een open tekstmodel dat specifiek voor programmeeragents en ontwikkelprocessen is ontworpen. Qwen beschrijft probleemoplossing over een lange horizon, complex toolgebruik en herstel van uitvoeringsfouten, met aanpasbaarheid aan verschillende ontwikkelomgevingen voor agents. Het accepteert en produceert tekst, waaronder code, uitleg en toolverzoeken. Dit exacte Coder-Next-checkpoint heeft een eigen non-Thinking-contract; de Thinking-edities van de bredere Next-familie horen het niet te vervangen.
Lever voor een ontwikkeltaak de relevante bestanden of fragmenten, het bedoelde gedrag en invoer die een probleem aantoont. Vraag een bewerkbare wijziging en uitleg die aan die voorwaarden is gekoppeld. Definieer voor een meerstapstaak het doel, toegestane tools en waarnemingen die voltooiing zouden aantonen. Toets de voorgestelde codewijziging en uitleg aan de aangeleverde bestanden, falende invoer en voltooiingscriteria.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. De hybride structuur van 48 lagen herhaalt drie expertlagen met Gated DeltaNet, gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 512 experts, tien geactiveerde experts en één gedeelde expert. Het kleine actieve aantal is een rekeneigenschap van het sparse model, niet de grootte van het volledige checkpoint.
De native context is 262.144 tokens. De voorbeelden van de ontwikkelaar laten een kleinere context toe, zoals 32.768, als geheugenbeperkingen de grotere configuratie verhinderen. Broncode, geschiedenis, toolwaarnemingen en gegenereerde tekst moeten in de geconfigureerde sequentieruimte passen. De kaart legt geen standaarduitbreiding naar één miljoen tokens voor dit checkpoint vast.
De non-Thinking-tekstinterface gebruiken
Coder-Next ondersteunt uitsluitend non-Thinking en genereert geen expliciete Thinking-blokken. De instelling enable_thinking=False is in het voorbeeld van de ontwikkelaar overbodig. Het kan nog steeds een patch uitleggen, een algoritme bespreken of in gewone tekst redeneren; non-Thinking beschrijft de uitvoermodus en verbiedt geen uitleg.
De snelstart vraagt een sorteeralgoritme en gebruikt een generatieruimte van 65.536 tokens. Dat is een voorbeeldbudget, geen afzonderlijk gepubliceerde harde uitvoergrens. Benoem formaat en beperkingen van het resultaat: taal, relevante interfaces, vereist gedrag en of het antwoord een patch, volledige functie of uitleg hoort te bevatten. Houd het bewerkbare resultaat apart van commentaar, zodat het gemakkelijk te beoordelen is.
Ontwikkelomgevingen voor agents en context
De ontwikkelaar benadrukt compatibiliteit met CLI- en IDE-achtige agentomgevingen, waaronder Qwen Code. Zo'n omgeving levert projecttoestand, tooldefinities, waarnemingen en gespreksformaat. Behoud die invoer consistent tijdens een meerstapstaak. Geef als een tool een falende controle meldt de daadwerkelijke fout en relevante gewijzigde code, in plaats van het model alleen te laten herproberen.
Werk over een lange horizon heeft baat bij een zichtbare taaktoestand: wat is waargenomen, welke wijziging is voorgesteld en welke voorwaarde blijft onopgelost. Een toolwaarneming verschilt van een claim in gegenereerde tekst. De herstelmogelijkheid van het model hoort niet als automatische toestemming om opdrachten uit te voeren of als garantie dat elk herstel slaagt te worden behandeld.
Programmeren met agents en toolaanroepen
Qwen documenteert functieachtige tooldefinities met namen, beschrijvingen, invoerschema's en vereiste velden. Geef een precieze definitie en de verwachte betekenis van de retourwaarde. De toepassing voert een gekozen tool uit en retourneert het resultaat; het model gebruikt dit in de volgende stap. Toolaanroepen op zichzelf geven geen toegang tot een bestandssysteem, actuele bronnen of een uitvoeromgeving.
Beperk voor een agent die een repository bewerkt de toegestane bestanden en het gevraagde resultaat. Een nuttig eindrapport kan betrokken modules identificeren, de wijziging uitleggen en daadwerkelijke resultaten van aangesloten controles vermelden. Houd voorgestelde opdrachten, gegenereerde code en voltooide bewerkingen apart. Dit zijn praktische werkvoorbeelden op basis van de gedocumenteerde ontwikkel- en toolscope.
Generatieaanbevelingen
De ontwikkelaar raadt temperature 1,0, top_p 0,95 en top_k 40 aan. Die exacte instellingen verschillen van die van meerdere Qwen-gespreksmodellen en horen bij de eigen werkwijze van Coder-Next te blijven. De gepubliceerde configuratie gebruikt een causale Qwen3-Next-taalmodelarchitectuur. Gebruik de gedocumenteerde modelnaam en het chatsjabloon van dit checkpoint consistent tijdens het programmeerproces.
Inhoudelijke grenzen
De gedocumenteerde invoer is tekst, dus screenshots, audio of video vereisen vóór dit programmeerproces een geschikte afzonderlijke representatie. Native context en voorbeeldgeneratieruimten zijn eindig; verwijder niet-relevante code en reserveer ruimte voor het gevraagde resultaat. Controleer gegenereerde syntaxis, interfaces, randgevallen en voorgestelde wijzigingen in het daadwerkelijke ontwikkelproces. De bruikbare uitvoer is een controleerbaar code- of uitlegresultaat dat door daadwerkelijk taakbewijs wordt ondersteund, met behoud van de uitsluitend tekstuele en non-Thinking-identiteit van dit checkpoint.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.