Hoofdpunten van Qwen3-Next: complex tekstueel redeneren
Qwen3-Next-80B-A3B-Thinking is de uitsluitend op Thinking gerichte teksteditie van Qwen3-Next. De ontwikkelaar raadt het aan voor zeer complexe redeneertaken en merkt op dat Thinking langer kan zijn dan in eerdere modellen. Het accepteert en retourneert tekst, waaronder een uitgelegd antwoord of codevoorstel. Houd het onderscheiden van Qwen3-Next-80B-A3B-Instruct en Qwen3-Coder-Next, die andere non-Thinking-contracten hebben.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, zeer sparse experts, stabiliteitstechnieken zoals nulgecentreerde laagnormalisatie met gewichtsafname en voorspelling van meerdere tokens. Qwen beschrijft ook stabilisatie van reinforcement learning via GSPO. Dit zijn trainings- en architectuurkenmerken; efficiëntiewinst hangt van de implementatie af en hoort geen universele antwoordtijdclaim te worden.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een expertpatroon van drie DeltaNet-lagen gevolgd door één laag met gated attention. De ontwikkelaar vermeldt 512 experts, tien geactiveerde experts en één gedeelde expert, met pretraining op 15 biljoen tokens gevolgd door post-training. Geactiveerde parameters zijn niet de grootte van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding naar 1.010.000. Brontekst, eerdere berichten, toolwaarnemingen, redeneren en einduitvoer delen de geconfigureerde sequentieruimte. Voor complex Thinking adviseert de ontwikkelaar waar mogelijk een geconfigureerde context groter dan 131.072, ook als een kleiner venster de geheugendruk zou verminderen.
De uitsluitend Thinking-interface gebruiken
Het standaardchatsjabloon bevat al de openingsmarkering voor Thinking. Een geretourneerde sequentie kan daarom de sluitingsmarkering bevatten zonder de opening te herhalen. Dit is normale opmaak voor de werkwijze van de ontwikkelaar, geen bewijs dat het redeneren ontbreekt. Het model ondersteunt alleen Thinking; een verzoek om een beknopt eindantwoord verandert het niet in een non-Thinking-editie.
Geef voor een wiskundig of logisch probleem de volledige opgave, definities, eenheden en toegestane aannames. Vraag een duidelijk afgebakend eindantwoord met de ondersteunende stappen die nodig zijn om het te controleren. Lever voor redeneren over code de relevante functie, invoer en het bedoelde gedrag en vraag vervolgens een uitgelegd voorstel. Vergelijk de ondersteunende berekeningen of voorgestelde patch met de aangeleverde voorwaarden en daadwerkelijke resultaten.
Implementatie en tools
De voorbeelden van de ontwikkelaar ondersteunen ontwikkel- en toolprocessen en raden Qwen-Agent aan voor toolsjablonen en parsing, met geconfigureerde of via MCP aangesloten tools. Definieer de toegestane tools, het taakdoel en een waarneembare voltooiingsvoorwaarde. De toepassing voert externe acties uit en retourneert daadwerkelijke waarnemingen; het model kan die terugkoppeling in het volgende antwoord gebruiken.
Voorspelling van meerdere tokens maakt deel uit van de training, maar inferentiegebruik hangt van de implementatie af en is niet algemeen in elke lichtgewicht werkwijze beschikbaar. Behoud dat onderscheid bij het beoordelen van een implementatie. Tool- of architectuurmogelijkheden alleen bewijzen geen toegang tot bestanden, actuele bronnen of een uitvoeromgeving via een andere toepassing.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN. De ontwikkelaar valideert ongeveer één miljoen contexttokens en geeft een werkwijze met factor vier op basis van de native 262.144 posities; voor taken met 524.288 tokens suggereert de ontwikkelaar factor twee. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus die hoort de daadwerkelijke behoefte aan langere invoer te volgen.
Organiseer grote invoer met documentgrenzen en code- of onderdeelidentificaties. Benoem de vraag en het verwachte resultaat, zodat het model relevant bewijs kan koppelen in plaats van het volledige venster als vervanging voor een duidelijke taak te behandelen. Reserveer ruimte voor het mogelijk lange redeneren en het eindresultaat.
Generatieadvies
Best Practices raadt temperature 0,6, top_p 0,95, top_k 20 en min_p 0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhalende tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verminderen. Qwen raadt een generatieruimte van 32.768 tokens aan voor de meeste vragen en 81.920 voor ongewoon complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen onafhankelijke harde uitvoergrenzen.
Specificeer het eindantwoordformaat expliciet, zoals een afgebakend wiskundig resultaat of antwoordveld. De ontwikkelaar raadt aan definitieve uitvoer zonder Thinking-inhoud in eerdere assistentberichten te behouden volgens het sjabloon van dit checkpoint. Opties van latere modellen om eerder redeneren te behouden horen niet automatisch te worden overgenomen.
Inhoudelijke grenzen
Dit is een uitsluitend tekstueel model. Beelden, audio of video hebben een geschikte afzonderlijke representatie nodig voordat ze als bewijs in deze werkwijze kunnen dienen. Lang Thinking en context zijn eindige resources, en gedetailleerd redeneren bewijst op zichzelf geen juist resultaat. Controleer aannames, berekeningen en gegenereerde code aan de aangeleverde bron. Het bruikbare resultaat is een controleerbaar antwoord of artefact met zichtbaar bewijs en behoud van de uitsluitend Thinking-identiteit.
", "aboutText": "Hoofdpunten van Qwen3-Next: complex tekstueel redeneren\n\nQwen3-Next-80B-A3B-Thinking is de uitsluitend op Thinking gerichte teksteditie van Qwen3-Next. De ontwikkelaar raadt het aan voor zeer complexe redeneertaken en merkt op dat Thinking langer kan zijn dan in eerdere modellen. Het accepteert en retourneert tekst, waaronder een uitgelegd antwoord of codevoorstel. Houd het onderscheiden van Qwen3-Next-80B-A3B-Instruct en Qwen3-Coder-Next, die andere non-Thinking-contracten hebben.\n\nDe familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, zeer sparse experts, stabiliteitstechnieken zoals nulgecentreerde laagnormalisatie met gewichtsafname en voorspelling van meerdere tokens. Qwen beschrijft ook stabilisatie van reinforcement learning via GSPO. Dit zijn trainings- en architectuurkenmerken; efficiëntiewinst hangt van de implementatie af en hoort geen universele antwoordtijdclaim te worden.\n\nModeloverzicht\n\nHet model heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een expertpatroon van drie DeltaNet-lagen gevolgd door één laag met gated attention. De ontwikkelaar vermeldt 512 experts, tien geactiveerde experts en één gedeelde expert, met pretraining op 15 biljoen tokens gevolgd door post-training. Geactiveerde parameters zijn niet de grootte van het volledige checkpoint.\n\nDe native context is 262.144 tokens, met gedocumenteerde uitbreiding naar 1.010.000. Brontekst, eerdere berichten, toolwaarnemingen, redeneren en einduitvoer delen de geconfigureerde sequentieruimte. Voor complex Thinking adviseert de ontwikkelaar waar mogelijk een geconfigureerde context groter dan 131.072, ook als een kleiner venster de geheugendruk zou verminderen.\n\nDe uitsluitend Thinking-interface gebruiken\n\nHet standaardchatsjabloon bevat al de openingsmarkering voor Thinking. Een geretourneerde sequentie kan daarom de sluitingsmarkering bevatten zonder de opening te herhalen. Dit is normale opmaak voor de werkwijze van de ontwikkelaar, geen bewijs dat het redeneren ontbreekt. Het model ondersteunt alleen Thinking; een verzoek om een beknopt eindantwoord verandert het niet in een non-Thinking-editie.\n\nGeef voor een wiskundig of logisch probleem de volledige opgave, definities, eenheden en toegestane aannames. Vraag een duidelijk afgebakend eindantwoord met de ondersteunende stappen die nodig zijn om het te controleren. Lever voor redeneren over code de relevante functie, invoer en het bedoelde gedrag en vraag vervolgens een uitgelegd voorstel. Vergelijk de ondersteunende berekeningen of voorgestelde patch met de aangeleverde voorwaarden en daadwerkelijke resultaten.\n\nImplementatie en tools\n\nDe voorbeelden van de ontwikkelaar ondersteunen ontwikkel- en toolprocessen en raden Qwen-Agent aan voor toolsjablonen en parsing, met geconfigureerde of via MCP aangesloten tools. Definieer de toegestane tools, het taakdoel en een waarneembare voltooiingsvoorwaarde. De toepassing voert externe acties uit en retourneert daadwerkelijke waarnemingen; het model kan die terugkoppeling in het volgende antwoord gebruiken.\n\nVoorspelling van meerdere tokens maakt deel uit van de training, maar inferentiegebruik hangt van de implementatie af en is niet algemeen in elke lichtgewicht werkwijze beschikbaar. Behoud dat onderscheid bij het beoordelen van een implementatie. Tool- of architectuurmogelijkheden alleen bewijzen geen toegang tot bestanden, actuele bronnen of een uitvoeromgeving via een andere toepassing.\n\nUltralange tekst\n\nDe gedocumenteerde uitbreiding gebruikt YaRN. De ontwikkelaar valideert ongeveer één miljoen contexttokens en geeft een werkwijze met factor vier op basis van de native 262.144 posities; voor taken met 524.288 tokens suggereert de ontwikkelaar factor twee. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus die hoort de daadwerkelijke behoefte aan langere invoer te volgen.\n\nOrganiseer grote invoer met documentgrenzen en code- of onderdeelidentificaties. Benoem de vraag en het verwachte resultaat, zodat het model relevant bewijs kan koppelen in plaats van het volledige venster als vervanging voor een duidelijke taak te behandelen. Reserveer ruimte voor het mogelijk lange redeneren en het eindresultaat.\n\nGeneratieadvies\n\nBest Practices raadt temperature 0,6, top_p 0,95, top_k 20 en min_p 0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhalende tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verminderen. Qwen raadt een generatieruimte van 32.768 tokens aan voor de meeste vragen en 81.920 voor ongewoon complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen onafhankelijke harde uitvoergrenzen.\n\nSpecificeer het eindantwoordformaat expliciet, zoals een afgebakend wiskundig resultaat of antwoordveld. De ontwikkelaar raadt aan definitieve uitvoer zonder Thinking-inhoud in eerdere assistentberichten te behouden volgens het sjabloon van dit checkpoint. Opties van latere modellen om eerder redeneren te behouden horen niet automatisch te worden overgenomen.\n\nInhoudelijke grenzen\n\nDit is een uitsluitend tekstueel model. Beelden, audio of video hebben een geschikte afzonderlijke representatie nodig voordat ze als bewijs in deze werkwijze kunnen dienen. Lang Thinking en context zijn eindige resources, en gedetailleerd redeneren bewijst op zichzelf geen juist resultaat. Controleer aannames, berekeningen en gegenereerde code aan de aangeleverde bron. Het bruikbare resultaat is een controleerbaar antwoord of artefact met zichtbaar bewijs en behoud van de uitsluitend Thinking-identiteit.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking is het tekstuele redeneermodel van Qwen met 80 miljard parameters in totaal en 3 miljard geactiveerd. Het gebruikt uitsluitend Thinking, hybride attention en sparse experts voor complexe taken, met native context van 262.144 tokens en voorwaardelijke uitbreiding naar 1.010.000.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten van Qwen3-Next: complex tekstueel redeneren
Qwen3-Next-80B-A3B-Thinking is de uitsluitend op Thinking gerichte teksteditie van Qwen3-Next. De ontwikkelaar raadt het aan voor zeer complexe redeneertaken en merkt op dat Thinking langer kan zijn dan in eerdere modellen. Het accepteert en retourneert tekst, waaronder een uitgelegd antwoord of codevoorstel. Houd het onderscheiden van Qwen3-Next-80B-A3B-Instruct en Qwen3-Coder-Next, die andere non-Thinking-contracten hebben.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, zeer sparse experts, stabiliteitstechnieken zoals nulgecentreerde laagnormalisatie met gewichtsafname en voorspelling van meerdere tokens. Qwen beschrijft ook stabilisatie van reinforcement learning via GSPO. Dit zijn trainings- en architectuurkenmerken; efficiëntiewinst hangt van de implementatie af en hoort geen universele antwoordtijdclaim te worden.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een expertpatroon van drie DeltaNet-lagen gevolgd door één laag met gated attention. De ontwikkelaar vermeldt 512 experts, tien geactiveerde experts en één gedeelde expert, met pretraining op 15 biljoen tokens gevolgd door post-training. Geactiveerde parameters zijn niet de grootte van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding naar 1.010.000. Brontekst, eerdere berichten, toolwaarnemingen, redeneren en einduitvoer delen de geconfigureerde sequentieruimte. Voor complex Thinking adviseert de ontwikkelaar waar mogelijk een geconfigureerde context groter dan 131.072, ook als een kleiner venster de geheugendruk zou verminderen.
De uitsluitend Thinking-interface gebruiken
Het standaardchatsjabloon bevat al de openingsmarkering voor Thinking. Een geretourneerde sequentie kan daarom de sluitingsmarkering bevatten zonder de opening te herhalen. Dit is normale opmaak voor de werkwijze van de ontwikkelaar, geen bewijs dat het redeneren ontbreekt. Het model ondersteunt alleen Thinking; een verzoek om een beknopt eindantwoord verandert het niet in een non-Thinking-editie.
Geef voor een wiskundig of logisch probleem de volledige opgave, definities, eenheden en toegestane aannames. Vraag een duidelijk afgebakend eindantwoord met de ondersteunende stappen die nodig zijn om het te controleren. Lever voor redeneren over code de relevante functie, invoer en het bedoelde gedrag en vraag vervolgens een uitgelegd voorstel. Vergelijk de ondersteunende berekeningen of voorgestelde patch met de aangeleverde voorwaarden en daadwerkelijke resultaten.
Implementatie en tools
De voorbeelden van de ontwikkelaar ondersteunen ontwikkel- en toolprocessen en raden Qwen-Agent aan voor toolsjablonen en parsing, met geconfigureerde of via MCP aangesloten tools. Definieer de toegestane tools, het taakdoel en een waarneembare voltooiingsvoorwaarde. De toepassing voert externe acties uit en retourneert daadwerkelijke waarnemingen; het model kan die terugkoppeling in het volgende antwoord gebruiken.
Voorspelling van meerdere tokens maakt deel uit van de training, maar inferentiegebruik hangt van de implementatie af en is niet algemeen in elke lichtgewicht werkwijze beschikbaar. Behoud dat onderscheid bij het beoordelen van een implementatie. Tool- of architectuurmogelijkheden alleen bewijzen geen toegang tot bestanden, actuele bronnen of een uitvoeromgeving via een andere toepassing.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN. De ontwikkelaar valideert ongeveer één miljoen contexttokens en geeft een werkwijze met factor vier op basis van de native 262.144 posities; voor taken met 524.288 tokens suggereert de ontwikkelaar factor twee. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus die hoort de daadwerkelijke behoefte aan langere invoer te volgen.
Organiseer grote invoer met documentgrenzen en code- of onderdeelidentificaties. Benoem de vraag en het verwachte resultaat, zodat het model relevant bewijs kan koppelen in plaats van het volledige venster als vervanging voor een duidelijke taak te behandelen. Reserveer ruimte voor het mogelijk lange redeneren en het eindresultaat.
Generatieadvies
Best Practices raadt temperature 0,6, top_p 0,95, top_k 20 en min_p 0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhalende tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verminderen. Qwen raadt een generatieruimte van 32.768 tokens aan voor de meeste vragen en 81.920 voor ongewoon complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen onafhankelijke harde uitvoergrenzen.
Specificeer het eindantwoordformaat expliciet, zoals een afgebakend wiskundig resultaat of antwoordveld. De ontwikkelaar raadt aan definitieve uitvoer zonder Thinking-inhoud in eerdere assistentberichten te behouden volgens het sjabloon van dit checkpoint. Opties van latere modellen om eerder redeneren te behouden horen niet automatisch te worden overgenomen.
Inhoudelijke grenzen
Dit is een uitsluitend tekstueel model. Beelden, audio of video hebben een geschikte afzonderlijke representatie nodig voordat ze als bewijs in deze werkwijze kunnen dienen. Lang Thinking en context zijn eindige resources, en gedetailleerd redeneren bewijst op zichzelf geen juist resultaat. Controleer aannames, berekeningen en gegenereerde code aan de aangeleverde bron. Het bruikbare resultaat is een controleerbaar antwoord of artefact met zichtbaar bewijs en behoud van de uitsluitend Thinking-identiteit.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0024 / 1K tokens Invoer · Cache lezen — / 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0024 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-next-80b-a3b-thinking',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-next-80b-a3b-thinking',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-next-80b-a3b-thinking
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking is het tekstuele redeneermodel van Qwen met 80 miljard parameters in totaal en 3 miljard geactiveerd. Het gebruikt uitsluitend Thinking, hybride attention en sparse experts voor complexe taken, met native context van 262.144 tokens en voorwaardelijke uitbreiding naar 1.010.000.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten van Qwen3-Next: complex tekstueel redeneren
Qwen3-Next-80B-A3B-Thinking is de uitsluitend op Thinking gerichte teksteditie van Qwen3-Next. De ontwikkelaar raadt het aan voor zeer complexe redeneertaken en merkt op dat Thinking langer kan zijn dan in eerdere modellen. Het accepteert en retourneert tekst, waaronder een uitgelegd antwoord of codevoorstel. Houd het onderscheiden van Qwen3-Next-80B-A3B-Instruct en Qwen3-Coder-Next, die andere non-Thinking-contracten hebben.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, zeer sparse experts, stabiliteitstechnieken zoals nulgecentreerde laagnormalisatie met gewichtsafname en voorspelling van meerdere tokens. Qwen beschrijft ook stabilisatie van reinforcement learning via GSPO. Dit zijn trainings- en architectuurkenmerken; efficiëntiewinst hangt van de implementatie af en hoort geen universele antwoordtijdclaim te worden.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een expertpatroon van drie DeltaNet-lagen gevolgd door één laag met gated attention. De ontwikkelaar vermeldt 512 experts, tien geactiveerde experts en één gedeelde expert, met pretraining op 15 biljoen tokens gevolgd door post-training. Geactiveerde parameters zijn niet de grootte van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding naar 1.010.000. Brontekst, eerdere berichten, toolwaarnemingen, redeneren en einduitvoer delen de geconfigureerde sequentieruimte. Voor complex Thinking adviseert de ontwikkelaar waar mogelijk een geconfigureerde context groter dan 131.072, ook als een kleiner venster de geheugendruk zou verminderen.
De uitsluitend Thinking-interface gebruiken
Het standaardchatsjabloon bevat al de openingsmarkering voor Thinking. Een geretourneerde sequentie kan daarom de sluitingsmarkering bevatten zonder de opening te herhalen. Dit is normale opmaak voor de werkwijze van de ontwikkelaar, geen bewijs dat het redeneren ontbreekt. Het model ondersteunt alleen Thinking; een verzoek om een beknopt eindantwoord verandert het niet in een non-Thinking-editie.
Geef voor een wiskundig of logisch probleem de volledige opgave, definities, eenheden en toegestane aannames. Vraag een duidelijk afgebakend eindantwoord met de ondersteunende stappen die nodig zijn om het te controleren. Lever voor redeneren over code de relevante functie, invoer en het bedoelde gedrag en vraag vervolgens een uitgelegd voorstel. Vergelijk de ondersteunende berekeningen of voorgestelde patch met de aangeleverde voorwaarden en daadwerkelijke resultaten.
Implementatie en tools
De voorbeelden van de ontwikkelaar ondersteunen ontwikkel- en toolprocessen en raden Qwen-Agent aan voor toolsjablonen en parsing, met geconfigureerde of via MCP aangesloten tools. Definieer de toegestane tools, het taakdoel en een waarneembare voltooiingsvoorwaarde. De toepassing voert externe acties uit en retourneert daadwerkelijke waarnemingen; het model kan die terugkoppeling in het volgende antwoord gebruiken.
Voorspelling van meerdere tokens maakt deel uit van de training, maar inferentiegebruik hangt van de implementatie af en is niet algemeen in elke lichtgewicht werkwijze beschikbaar. Behoud dat onderscheid bij het beoordelen van een implementatie. Tool- of architectuurmogelijkheden alleen bewijzen geen toegang tot bestanden, actuele bronnen of een uitvoeromgeving via een andere toepassing.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN. De ontwikkelaar valideert ongeveer één miljoen contexttokens en geeft een werkwijze met factor vier op basis van de native 262.144 posities; voor taken met 524.288 tokens suggereert de ontwikkelaar factor twee. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus die hoort de daadwerkelijke behoefte aan langere invoer te volgen.
Organiseer grote invoer met documentgrenzen en code- of onderdeelidentificaties. Benoem de vraag en het verwachte resultaat, zodat het model relevant bewijs kan koppelen in plaats van het volledige venster als vervanging voor een duidelijke taak te behandelen. Reserveer ruimte voor het mogelijk lange redeneren en het eindresultaat.
Generatieadvies
Best Practices raadt temperature 0,6, top_p 0,95, top_k 20 en min_p 0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhalende tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verminderen. Qwen raadt een generatieruimte van 32.768 tokens aan voor de meeste vragen en 81.920 voor ongewoon complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen onafhankelijke harde uitvoergrenzen.
Specificeer het eindantwoordformaat expliciet, zoals een afgebakend wiskundig resultaat of antwoordveld. De ontwikkelaar raadt aan definitieve uitvoer zonder Thinking-inhoud in eerdere assistentberichten te behouden volgens het sjabloon van dit checkpoint. Opties van latere modellen om eerder redeneren te behouden horen niet automatisch te worden overgenomen.
Inhoudelijke grenzen
Dit is een uitsluitend tekstueel model. Beelden, audio of video hebben een geschikte afzonderlijke representatie nodig voordat ze als bewijs in deze werkwijze kunnen dienen. Lang Thinking en context zijn eindige resources, en gedetailleerd redeneren bewijst op zichzelf geen juist resultaat. Controleer aannames, berekeningen en gegenereerde code aan de aangeleverde bron. Het bruikbare resultaat is een controleerbaar antwoord of artefact met zichtbaar bewijs en behoud van de uitsluitend Thinking-identiteit.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0024 / 1K tokens Invoer · Cache lezen — / 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0024 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-thinking', '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-next-80b-a3b-thinking', '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-next-80b-a3b-thinking
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.