Qwen3-0.6B biedt de hybride Qwen3-tekstinterface in een model met een dense architectuur en 0.6 miljard parameters. De familiemogelijkheden omvatten instructieopvolging, meertalig gesprek, creatief schrijven, rolgebonden interactie, wiskunde, code en logisch redeneren. Denken en gewone generatie zijn binnen dezelfde release beschikbaar. De compacte grootte identificeert het checkpoint, geen ander invoerformaat of vervangende naam voor een groter Qwen3-model.
Het model heeft 0.44 miljard parameters buiten embeddings en 28 lagen, met 16 querykoppen en acht sleutel-/waardekoppen in grouped-query attention. De exacte kaart documenteert 32,768 contexttokens. Zowel binnenkomende tekst als gegenereerde inhoud neemt ruimte in de modelreeks in, dus reserveer ruimte voor het antwoord wanneer je instructies en voorbeelden samenstelt. De kaart van deze release documenteert niet de uitgebreide contextconfiguratie die op sommige grotere Qwen3-kaarten staat. Een praktische eerste taak is één korte, duidelijk gedefinieerde handeling waarvan de uitvoer rechtstreeks met de bron kan worden vergeleken.
Gebruik de door de fabrikant aangewezen chatsjabloon om de instructie en het materiaal te presenteren. Geef bijvoorbeeld een korte servicenota en vraag om een klantgericht bericht dat de afspraakdatum en productnaam ongewijzigd laat. Vermeld de beoogde lezer, toon en maximaal gevraagde lengte. Som voor een labelselectietaak de toegestane labels met definities op en voeg een dubbelzinnig voorbeeld toe dat toont hoe onzekerheid moet worden gerapporteerd. Vraag alleen om het label en de bijbehorende passage uit de invoer. Dit zijn concrete uitvoervereisten, geen bewering dat het model er altijd zonder controle aan zal voldoen. De gepubliceerde integratie verwacht een runtime die Qwen3 herkent; de kaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
De aangeleverde sjabloon gebruikt standaard denken. Een harde instelling voor niet-denken onderdrukt het redeneergedeelte; als denken ingeschakeld blijft, kunnen /think en /no_think de modus tussen beurten sturen, volgens de meest recente instructie. Hard uitschakelen heeft voorrang op die zachte prompts. Kies de instelling die bij de handeling past: een eenvoudige wijziging van goedgekeurde bewoordingen kan een rechtstreeks antwoord gebruiken, terwijl uitleggen waarom een voorwaarde geldt redeneren kan vereisen. Bewaar het eindantwoord in plaats van een vorig redeneergedeelte als gespreksgeschiedenis. Met denken ingeschakeld behoudt zelfs een zachte aanvraag om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
De modelkaart beschrijft toolgericht agentgebruik en beveelt Qwen-Agent aan voor de sjablonen en parsing. Voor een kleine woordenlijstassistent zou de toepassing één alleen-lezen opzoeking kunnen aanbieden, de argumenten valideren, de opzoeking uitvoeren en het lemma teruggeven. Het model kan de term vervolgens in de door de gebruiker gevraagde stijl uitleggen. Definieer vooraf het toolresultaat en de terugval bij een ontbrekend lemma. Een gegenereerd toolverzoek moet als een verzoek worden behandeld, waarbij de toepassing verantwoordelijk blijft voor de uitvoering en het teruggegeven bewijsmateriaal. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggebracht.
De gepubliceerde snelstart en aanbevolen uitvoerlengtes zijn generatieadvies, geen afzonderlijk gegarandeerd API-plafond. Kies bij een gerichte handeling een compact eindrecord, zoals een herschreven zin met de ongewijzigde namen, of een label met de tekst die het onderbouwt. Controleer dat record aan de hand van het aangeleverde materiaal. Als de taak uitgroeit tot een lange uitleg, evalueer het langere resultaat dan op hetzelfde soort echte invoer in plaats van aan te nemen dat de compacte identiteit van het model zijn nauwkeurigheid of antwoordkwaliteit bewijst. De Qwen3-documentatie bespreekt in de uitleg over de trainingslengte lengtes van assistentberichten van 38,912 tokens in denkmodus en 16,384 in niet-denkmodus, en beveelt aan de kwaliteit van langere generatie te evalueren. Die cijfers staan los van het totale contextvenster en zijn geen hard plafond voor een specifiek endpoint.
Deze exacte kaart voegt advies voor aanzienlijke herhaling toe: gebruik de aanbevolen samplingconfiguratie en overweeg presence_penalty 1.5. Hogere penalties kunnen taalvermenging of een prestatiedaling veroorzaken. Denkmodus gaat samen met temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken met temperature 0.7, top-p 0.8, top-k 20 en min-p 0. De fabrikant waarschuwt tegen greedy decoding in denkmodus. Inspecteer herhaalde zinnen, behouden namen en het geselecteerde label; verwerp een verkeerd gevormd record in plaats van leesbare tekst als bewijs te behandelen dat het vereiste formaat is gevolgd.
", "aboutText": "Qwen3-0.6B biedt de hybride Qwen3-tekstinterface in een model met een dense architectuur en 0.6 miljard parameters. De familiemogelijkheden omvatten instructieopvolging, meertalig gesprek, creatief schrijven, rolgebonden interactie, wiskunde, code en logisch redeneren. Denken en gewone generatie zijn binnen dezelfde release beschikbaar. De compacte grootte identificeert het checkpoint, geen ander invoerformaat of vervangende naam voor een groter Qwen3-model.\n\nHet model heeft 0.44 miljard parameters buiten embeddings en 28 lagen, met 16 querykoppen en acht sleutel-/waardekoppen in grouped-query attention. De exacte kaart documenteert 32,768 contexttokens. Zowel binnenkomende tekst als gegenereerde inhoud neemt ruimte in de modelreeks in, dus reserveer ruimte voor het antwoord wanneer je instructies en voorbeelden samenstelt. De kaart van deze release documenteert niet de uitgebreide contextconfiguratie die op sommige grotere Qwen3-kaarten staat. Een praktische eerste taak is één korte, duidelijk gedefinieerde handeling waarvan de uitvoer rechtstreeks met de bron kan worden vergeleken.\n\nGebruik de door de fabrikant aangewezen chatsjabloon om de instructie en het materiaal te presenteren. Geef bijvoorbeeld een korte servicenota en vraag om een klantgericht bericht dat de afspraakdatum en productnaam ongewijzigd laat. Vermeld de beoogde lezer, toon en maximaal gevraagde lengte. Som voor een labelselectietaak de toegestane labels met definities op en voeg een dubbelzinnig voorbeeld toe dat toont hoe onzekerheid moet worden gerapporteerd. Vraag alleen om het label en de bijbehorende passage uit de invoer. Dit zijn concrete uitvoervereisten, geen bewering dat het model er altijd zonder controle aan zal voldoen. De gepubliceerde integratie verwacht een runtime die Qwen3 herkent; de kaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.\n\nDe aangeleverde sjabloon gebruikt standaard denken. Een harde instelling voor niet-denken onderdrukt het redeneergedeelte; als denken ingeschakeld blijft, kunnen /think en /no_think de modus tussen beurten sturen, volgens de meest recente instructie. Hard uitschakelen heeft voorrang op die zachte prompts. Kies de instelling die bij de handeling past: een eenvoudige wijziging van goedgekeurde bewoordingen kan een rechtstreeks antwoord gebruiken, terwijl uitleggen waarom een voorwaarde geldt redeneren kan vereisen. Bewaar het eindantwoord in plaats van een vorig redeneergedeelte als gespreksgeschiedenis. Met denken ingeschakeld behoudt zelfs een zachte aanvraag om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.\n\nDe modelkaart beschrijft toolgericht agentgebruik en beveelt Qwen-Agent aan voor de sjablonen en parsing. Voor een kleine woordenlijstassistent zou de toepassing één alleen-lezen opzoeking kunnen aanbieden, de argumenten valideren, de opzoeking uitvoeren en het lemma teruggeven. Het model kan de term vervolgens in de door de gebruiker gevraagde stijl uitleggen. Definieer vooraf het toolresultaat en de terugval bij een ontbrekend lemma. Een gegenereerd toolverzoek moet als een verzoek worden behandeld, waarbij de toepassing verantwoordelijk blijft voor de uitvoering en het teruggegeven bewijsmateriaal. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggebracht.\n\nDe gepubliceerde snelstart en aanbevolen uitvoerlengtes zijn generatieadvies, geen afzonderlijk gegarandeerd API-plafond. Kies bij een gerichte handeling een compact eindrecord, zoals een herschreven zin met de ongewijzigde namen, of een label met de tekst die het onderbouwt. Controleer dat record aan de hand van het aangeleverde materiaal. Als de taak uitgroeit tot een lange uitleg, evalueer het langere resultaat dan op hetzelfde soort echte invoer in plaats van aan te nemen dat de compacte identiteit van het model zijn nauwkeurigheid of antwoordkwaliteit bewijst. De Qwen3-documentatie bespreekt in de uitleg over de trainingslengte lengtes van assistentberichten van 38,912 tokens in denkmodus en 16,384 in niet-denkmodus, en beveelt aan de kwaliteit van langere generatie te evalueren. Die cijfers staan los van het totale contextvenster en zijn geen hard plafond voor een specifiek endpoint.\n\nDeze exacte kaart voegt advies voor aanzienlijke herhaling toe: gebruik de aanbevolen samplingconfiguratie en overweeg presence_penalty 1.5. Hogere penalties kunnen taalvermenging of een prestatiedaling veroorzaken. Denkmodus gaat samen met temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken met temperature 0.7, top-p 0.8, top-k 20 en min-p 0. De fabrikant waarschuwt tegen greedy decoding in denkmodus. Inspecteer herhaalde zinnen, behouden namen en het geselecteerde label; verwerp een verkeerd gevormd record in plaats van leesbare tekst als bewijs te behandelen dat het vereiste formaat is gevolgd.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B is de kleinste modelrelease met een dense architectuur in deze Qwen3-set, met 0.6 miljard parameters. Het verwerkt tekstinstructies en meertalige dialoog via rechtstreekse en denkmodi, met een editiegebonden context van 32,768 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-0.6B biedt de hybride Qwen3-tekstinterface in een model met een dense architectuur en 0.6 miljard parameters. De familiemogelijkheden omvatten instructieopvolging, meertalig gesprek, creatief schrijven, rolgebonden interactie, wiskunde, code en logisch redeneren. Denken en gewone generatie zijn binnen dezelfde release beschikbaar. De compacte grootte identificeert het checkpoint, geen ander invoerformaat of vervangende naam voor een groter Qwen3-model.
Het model heeft 0.44 miljard parameters buiten embeddings en 28 lagen, met 16 querykoppen en acht sleutel-/waardekoppen in grouped-query attention. De exacte kaart documenteert 32,768 contexttokens. Zowel binnenkomende tekst als gegenereerde inhoud neemt ruimte in de modelreeks in, dus reserveer ruimte voor het antwoord wanneer je instructies en voorbeelden samenstelt. De kaart van deze release documenteert niet de uitgebreide contextconfiguratie die op sommige grotere Qwen3-kaarten staat. Een praktische eerste taak is één korte, duidelijk gedefinieerde handeling waarvan de uitvoer rechtstreeks met de bron kan worden vergeleken.
Gebruik de door de fabrikant aangewezen chatsjabloon om de instructie en het materiaal te presenteren. Geef bijvoorbeeld een korte servicenota en vraag om een klantgericht bericht dat de afspraakdatum en productnaam ongewijzigd laat. Vermeld de beoogde lezer, toon en maximaal gevraagde lengte. Som voor een labelselectietaak de toegestane labels met definities op en voeg een dubbelzinnig voorbeeld toe dat toont hoe onzekerheid moet worden gerapporteerd. Vraag alleen om het label en de bijbehorende passage uit de invoer. Dit zijn concrete uitvoervereisten, geen bewering dat het model er altijd zonder controle aan zal voldoen. De gepubliceerde integratie verwacht een runtime die Qwen3 herkent; de kaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
De aangeleverde sjabloon gebruikt standaard denken. Een harde instelling voor niet-denken onderdrukt het redeneergedeelte; als denken ingeschakeld blijft, kunnen /think en /no_think de modus tussen beurten sturen, volgens de meest recente instructie. Hard uitschakelen heeft voorrang op die zachte prompts. Kies de instelling die bij de handeling past: een eenvoudige wijziging van goedgekeurde bewoordingen kan een rechtstreeks antwoord gebruiken, terwijl uitleggen waarom een voorwaarde geldt redeneren kan vereisen. Bewaar het eindantwoord in plaats van een vorig redeneergedeelte als gespreksgeschiedenis. Met denken ingeschakeld behoudt zelfs een zachte aanvraag om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
De modelkaart beschrijft toolgericht agentgebruik en beveelt Qwen-Agent aan voor de sjablonen en parsing. Voor een kleine woordenlijstassistent zou de toepassing één alleen-lezen opzoeking kunnen aanbieden, de argumenten valideren, de opzoeking uitvoeren en het lemma teruggeven. Het model kan de term vervolgens in de door de gebruiker gevraagde stijl uitleggen. Definieer vooraf het toolresultaat en de terugval bij een ontbrekend lemma. Een gegenereerd toolverzoek moet als een verzoek worden behandeld, waarbij de toepassing verantwoordelijk blijft voor de uitvoering en het teruggegeven bewijsmateriaal. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggebracht.
De gepubliceerde snelstart en aanbevolen uitvoerlengtes zijn generatieadvies, geen afzonderlijk gegarandeerd API-plafond. Kies bij een gerichte handeling een compact eindrecord, zoals een herschreven zin met de ongewijzigde namen, of een label met de tekst die het onderbouwt. Controleer dat record aan de hand van het aangeleverde materiaal. Als de taak uitgroeit tot een lange uitleg, evalueer het langere resultaat dan op hetzelfde soort echte invoer in plaats van aan te nemen dat de compacte identiteit van het model zijn nauwkeurigheid of antwoordkwaliteit bewijst. De Qwen3-documentatie bespreekt in de uitleg over de trainingslengte lengtes van assistentberichten van 38,912 tokens in denkmodus en 16,384 in niet-denkmodus, en beveelt aan de kwaliteit van langere generatie te evalueren. Die cijfers staan los van het totale contextvenster en zijn geen hard plafond voor een specifiek endpoint.
Deze exacte kaart voegt advies voor aanzienlijke herhaling toe: gebruik de aanbevolen samplingconfiguratie en overweeg presence_penalty 1.5. Hogere penalties kunnen taalvermenging of een prestatiedaling veroorzaken. Denkmodus gaat samen met temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken met temperature 0.7, top-p 0.8, top-k 20 en min-p 0. De fabrikant waarschuwt tegen greedy decoding in denkmodus. Inspecteer herhaalde zinnen, behouden namen en het geselecteerde label; verwerp een verkeerd gevormd record in plaats van leesbare tekst als bewijs te behandelen dat het vereiste formaat is gevolgd.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-0.6b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.001 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-0.6b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-0.6b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-0.6b',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 qwen3-0.6b
Gebruik de hierboven getoonde methodepaden.
qwen3-0.6bQwen3-0.6B is de kleinste modelrelease met een dense architectuur in deze Qwen3-set, met 0.6 miljard parameters. Het verwerkt tekstinstructies en meertalige dialoog via rechtstreekse en denkmodi, met een editiegebonden context van 32,768 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-0.6B biedt de hybride Qwen3-tekstinterface in een model met een dense architectuur en 0.6 miljard parameters. De familiemogelijkheden omvatten instructieopvolging, meertalig gesprek, creatief schrijven, rolgebonden interactie, wiskunde, code en logisch redeneren. Denken en gewone generatie zijn binnen dezelfde release beschikbaar. De compacte grootte identificeert het checkpoint, geen ander invoerformaat of vervangende naam voor een groter Qwen3-model.
Het model heeft 0.44 miljard parameters buiten embeddings en 28 lagen, met 16 querykoppen en acht sleutel-/waardekoppen in grouped-query attention. De exacte kaart documenteert 32,768 contexttokens. Zowel binnenkomende tekst als gegenereerde inhoud neemt ruimte in de modelreeks in, dus reserveer ruimte voor het antwoord wanneer je instructies en voorbeelden samenstelt. De kaart van deze release documenteert niet de uitgebreide contextconfiguratie die op sommige grotere Qwen3-kaarten staat. Een praktische eerste taak is één korte, duidelijk gedefinieerde handeling waarvan de uitvoer rechtstreeks met de bron kan worden vergeleken.
Gebruik de door de fabrikant aangewezen chatsjabloon om de instructie en het materiaal te presenteren. Geef bijvoorbeeld een korte servicenota en vraag om een klantgericht bericht dat de afspraakdatum en productnaam ongewijzigd laat. Vermeld de beoogde lezer, toon en maximaal gevraagde lengte. Som voor een labelselectietaak de toegestane labels met definities op en voeg een dubbelzinnig voorbeeld toe dat toont hoe onzekerheid moet worden gerapporteerd. Vraag alleen om het label en de bijbehorende passage uit de invoer. Dit zijn concrete uitvoervereisten, geen bewering dat het model er altijd zonder controle aan zal voldoen. De gepubliceerde integratie verwacht een runtime die Qwen3 herkent; de kaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
De aangeleverde sjabloon gebruikt standaard denken. Een harde instelling voor niet-denken onderdrukt het redeneergedeelte; als denken ingeschakeld blijft, kunnen /think en /no_think de modus tussen beurten sturen, volgens de meest recente instructie. Hard uitschakelen heeft voorrang op die zachte prompts. Kies de instelling die bij de handeling past: een eenvoudige wijziging van goedgekeurde bewoordingen kan een rechtstreeks antwoord gebruiken, terwijl uitleggen waarom een voorwaarde geldt redeneren kan vereisen. Bewaar het eindantwoord in plaats van een vorig redeneergedeelte als gespreksgeschiedenis. Met denken ingeschakeld behoudt zelfs een zachte aanvraag om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
De modelkaart beschrijft toolgericht agentgebruik en beveelt Qwen-Agent aan voor de sjablonen en parsing. Voor een kleine woordenlijstassistent zou de toepassing één alleen-lezen opzoeking kunnen aanbieden, de argumenten valideren, de opzoeking uitvoeren en het lemma teruggeven. Het model kan de term vervolgens in de door de gebruiker gevraagde stijl uitleggen. Definieer vooraf het toolresultaat en de terugval bij een ontbrekend lemma. Een gegenereerd toolverzoek moet als een verzoek worden behandeld, waarbij de toepassing verantwoordelijk blijft voor de uitvoering en het teruggegeven bewijsmateriaal. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggebracht.
De gepubliceerde snelstart en aanbevolen uitvoerlengtes zijn generatieadvies, geen afzonderlijk gegarandeerd API-plafond. Kies bij een gerichte handeling een compact eindrecord, zoals een herschreven zin met de ongewijzigde namen, of een label met de tekst die het onderbouwt. Controleer dat record aan de hand van het aangeleverde materiaal. Als de taak uitgroeit tot een lange uitleg, evalueer het langere resultaat dan op hetzelfde soort echte invoer in plaats van aan te nemen dat de compacte identiteit van het model zijn nauwkeurigheid of antwoordkwaliteit bewijst. De Qwen3-documentatie bespreekt in de uitleg over de trainingslengte lengtes van assistentberichten van 38,912 tokens in denkmodus en 16,384 in niet-denkmodus, en beveelt aan de kwaliteit van langere generatie te evalueren. Die cijfers staan los van het totale contextvenster en zijn geen hard plafond voor een specifiek endpoint.
Deze exacte kaart voegt advies voor aanzienlijke herhaling toe: gebruik de aanbevolen samplingconfiguratie en overweeg presence_penalty 1.5. Hogere penalties kunnen taalvermenging of een prestatiedaling veroorzaken. Denkmodus gaat samen met temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken met temperature 0.7, top-p 0.8, top-k 20 en min-p 0. De fabrikant waarschuwt tegen greedy decoding in denkmodus. Inspecteer herhaalde zinnen, behouden namen en het geselecteerde label; verwerp een verkeerd gevormd record in plaats van leesbare tekst als bewijs te behandelen dat het vereiste formaat is gevolgd.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-0.6b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.001 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-0.6b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-0.6b', '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 qwen3-0.6b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.