Qwen3-1.7B combineert rechtstreekse antwoorden en redeneren in een klein taalmodel met een dense architectuur. De fabrikant beschrijft instructieopvolging, creatief schrijven, rolgebonden gesprekken, wiskunde, logische problemen en code, met meer dan 100 ondersteunde talen en dialecten. Het ontvangt tekst en produceert tekst. Een bruikbare starttaak is een nauwkeurig omschreven omzetting: maak van een kort klantenbericht een beleefd antwoord, leg een term uit voor een bepaalde lezer of zet een vergadernota om in een actielijst.
De exacte release heeft 1.7 miljard parameters, waaronder 1.4 miljard buiten embeddings, en 28 lagen. Grouped-query attention gebruikt 16 querykoppen en acht sleutel-/waardekoppen. De eigen modelkaart vermeldt een contextlengte van 32,768 tokens. Dat is het gedocumenteerde venster van de editie; cijfers voor grotere context uit andere Qwen3-groottes moeten bij die afzonderlijke kaarten blijven. Houd brontekst, instructies, gespreksgeschiedenis en het gevraagde antwoord binnen het relevante reeksbudget. Lever voor een antwoordassistent het ontvangen bericht, geverifieerde achtergrondfeiten, het publiek en de gewenste lengte aan in plaats van een volledig niet-gerelateerd correspondentiearchief.
De snelstart van de fabrikant formatteert een gesprek met de chatsjabloon van het model. Bereid een kleine volledige taak voor die aan haar bron kan worden getoetst. Geef voor een actielijstvoorbeeld een nota met namen, datums en beslissingen, vraag om één item per actie en vereis een expliciete onbekende waarde waar geen verantwoordelijke is vermeld. Geef voor een programmeervoorbeeld één functie en representatieve invoer, en vraag het model vervolgens om de vertakking uit te leggen die het resultaat bepaalt. Een teruggegeven uitleg moet naar de werkelijke variabelen en voorwaarden verwijzen in plaats van hypothetisch gedrag te introduceren. 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.
Denken is standaard ingeschakeld in de aangeleverde sjabloon. Een harde schakelaar selecteert uitvoer zonder denken en zonder redeneergedeelte. Wanneer denken ingeschakeld blijft, fungeren /think en /no_think als instructies per beurt, waarbij de meest recente de keuze bepaalt; ze kunnen een hard uitgeschakelde modus niet overrulen. Gebruik de rechtstreekse instelling voor een korte herschrijving en een redeneerinstelling wanneer een antwoord meerdere voorwaarden met elkaar moet verzoenen. Houd tussentijdse redeneringen gescheiden van het eindantwoord en bewaar het eindantwoord in de latere dialooggeschiedenis. Met denken ingeschakeld behoudt zelfs een zachte aanvraag om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
Gebruik met agents maakt deel uit van de gepubliceerde mogelijkheden. De fabrikant beveelt Qwen-Agent aan voor toolopmaak en parsing, terwijl de toepassing de tools levert en uitvoert. Een afgebakende assistent zou voor een productterm een woordenboekopzoeking kunnen aanvragen, de bevestigde definitie ontvangen en vervolgens de zin van de gebruiker herschrijven. Definieer het toegestane argument en de teruggegeven velden; controleer beide voordat je het resultaat gebruikt. De eindtekst moet onderscheid maken tussen aangeleverde feiten, teruggegeven informatie en onbeantwoorde vragen. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggebracht.
Het uitvoerbudget moet bij de hele taak passen. De modelkaart geeft generatievoorbeelden en aanbevelingen voor uitvoerlengtes; die verschillen van een bewezen maximum aan de kant van de dienst. Korte gevraagde uitvoer is makkelijk te verifiëren: specificeer de velden, volgorde en taal, en houd het oorspronkelijke bericht beschikbaar voor vergelijking. Evalueer het resultaat op de werkelijke invoerklasse voordat je op lange generatie vertrouwt. 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 grootte heeft een specifieke opmerking over hardnekkige herhaling: de kaart stelt de aanbevolen samplinginstellingen en presence_penalty 1.5 voor wanneer aanzienlijke herhaling optreedt. Hogere penalties kunnen soms talen mengen of de prestaties verlagen. Voor denken wordt temperature 0.6 met top-p 0.95, top-k 20 en min-p 0 voorgesteld; voor niet-denken temperature 0.7 met top-p 0.8, top-k 20 en min-p 0. Vermijd greedy decoding in redeneermodus. Controleer namen, datums, labels en herhaalde zinsdelen, en valideer gestructureerde uitvoer voordat je die aan een ander deel van een toepassing doorgeeft.
", "aboutText": "Qwen3-1.7B combineert rechtstreekse antwoorden en redeneren in een klein taalmodel met een dense architectuur. De fabrikant beschrijft instructieopvolging, creatief schrijven, rolgebonden gesprekken, wiskunde, logische problemen en code, met meer dan 100 ondersteunde talen en dialecten. Het ontvangt tekst en produceert tekst. Een bruikbare starttaak is een nauwkeurig omschreven omzetting: maak van een kort klantenbericht een beleefd antwoord, leg een term uit voor een bepaalde lezer of zet een vergadernota om in een actielijst.\n\nDe exacte release heeft 1.7 miljard parameters, waaronder 1.4 miljard buiten embeddings, en 28 lagen. Grouped-query attention gebruikt 16 querykoppen en acht sleutel-/waardekoppen. De eigen modelkaart vermeldt een contextlengte van 32,768 tokens. Dat is het gedocumenteerde venster van de editie; cijfers voor grotere context uit andere Qwen3-groottes moeten bij die afzonderlijke kaarten blijven. Houd brontekst, instructies, gespreksgeschiedenis en het gevraagde antwoord binnen het relevante reeksbudget. Lever voor een antwoordassistent het ontvangen bericht, geverifieerde achtergrondfeiten, het publiek en de gewenste lengte aan in plaats van een volledig niet-gerelateerd correspondentiearchief.\n\nDe snelstart van de fabrikant formatteert een gesprek met de chatsjabloon van het model. Bereid een kleine volledige taak voor die aan haar bron kan worden getoetst. Geef voor een actielijstvoorbeeld een nota met namen, datums en beslissingen, vraag om één item per actie en vereis een expliciete onbekende waarde waar geen verantwoordelijke is vermeld. Geef voor een programmeervoorbeeld één functie en representatieve invoer, en vraag het model vervolgens om de vertakking uit te leggen die het resultaat bepaalt. Een teruggegeven uitleg moet naar de werkelijke variabelen en voorwaarden verwijzen in plaats van hypothetisch gedrag te introduceren. 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\nDenken is standaard ingeschakeld in de aangeleverde sjabloon. Een harde schakelaar selecteert uitvoer zonder denken en zonder redeneergedeelte. Wanneer denken ingeschakeld blijft, fungeren /think en /no_think als instructies per beurt, waarbij de meest recente de keuze bepaalt; ze kunnen een hard uitgeschakelde modus niet overrulen. Gebruik de rechtstreekse instelling voor een korte herschrijving en een redeneerinstelling wanneer een antwoord meerdere voorwaarden met elkaar moet verzoenen. Houd tussentijdse redeneringen gescheiden van het eindantwoord en bewaar het eindantwoord in de latere dialooggeschiedenis. 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\nGebruik met agents maakt deel uit van de gepubliceerde mogelijkheden. De fabrikant beveelt Qwen-Agent aan voor toolopmaak en parsing, terwijl de toepassing de tools levert en uitvoert. Een afgebakende assistent zou voor een productterm een woordenboekopzoeking kunnen aanvragen, de bevestigde definitie ontvangen en vervolgens de zin van de gebruiker herschrijven. Definieer het toegestane argument en de teruggegeven velden; controleer beide voordat je het resultaat gebruikt. De eindtekst moet onderscheid maken tussen aangeleverde feiten, teruggegeven informatie en onbeantwoorde vragen. 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\nHet uitvoerbudget moet bij de hele taak passen. De modelkaart geeft generatievoorbeelden en aanbevelingen voor uitvoerlengtes; die verschillen van een bewezen maximum aan de kant van de dienst. Korte gevraagde uitvoer is makkelijk te verifiëren: specificeer de velden, volgorde en taal, en houd het oorspronkelijke bericht beschikbaar voor vergelijking. Evalueer het resultaat op de werkelijke invoerklasse voordat je op lange generatie vertrouwt. 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 grootte heeft een specifieke opmerking over hardnekkige herhaling: de kaart stelt de aanbevolen samplinginstellingen en presence_penalty 1.5 voor wanneer aanzienlijke herhaling optreedt. Hogere penalties kunnen soms talen mengen of de prestaties verlagen. Voor denken wordt temperature 0.6 met top-p 0.95, top-k 20 en min-p 0 voorgesteld; voor niet-denken temperature 0.7 met top-p 0.8, top-k 20 en min-p 0. Vermijd greedy decoding in redeneermodus. Controleer namen, datums, labels en herhaalde zinsdelen, en valideer gestructureerde uitvoer voordat je die aan een ander deel van een toepassing doorgeeft.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B is een compact tekstmodel met een dense architectuur met zowel een modus voor rechtstreekse antwoorden als een denkmodus. Het ondersteunt meertalige dialoog, schrijven, code en toolgerichte instructies, met een context van 32,768 tokens die voor deze exacte release is gedocumenteerd.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-1.7B combineert rechtstreekse antwoorden en redeneren in een klein taalmodel met een dense architectuur. De fabrikant beschrijft instructieopvolging, creatief schrijven, rolgebonden gesprekken, wiskunde, logische problemen en code, met meer dan 100 ondersteunde talen en dialecten. Het ontvangt tekst en produceert tekst. Een bruikbare starttaak is een nauwkeurig omschreven omzetting: maak van een kort klantenbericht een beleefd antwoord, leg een term uit voor een bepaalde lezer of zet een vergadernota om in een actielijst.
De exacte release heeft 1.7 miljard parameters, waaronder 1.4 miljard buiten embeddings, en 28 lagen. Grouped-query attention gebruikt 16 querykoppen en acht sleutel-/waardekoppen. De eigen modelkaart vermeldt een contextlengte van 32,768 tokens. Dat is het gedocumenteerde venster van de editie; cijfers voor grotere context uit andere Qwen3-groottes moeten bij die afzonderlijke kaarten blijven. Houd brontekst, instructies, gespreksgeschiedenis en het gevraagde antwoord binnen het relevante reeksbudget. Lever voor een antwoordassistent het ontvangen bericht, geverifieerde achtergrondfeiten, het publiek en de gewenste lengte aan in plaats van een volledig niet-gerelateerd correspondentiearchief.
De snelstart van de fabrikant formatteert een gesprek met de chatsjabloon van het model. Bereid een kleine volledige taak voor die aan haar bron kan worden getoetst. Geef voor een actielijstvoorbeeld een nota met namen, datums en beslissingen, vraag om één item per actie en vereis een expliciete onbekende waarde waar geen verantwoordelijke is vermeld. Geef voor een programmeervoorbeeld één functie en representatieve invoer, en vraag het model vervolgens om de vertakking uit te leggen die het resultaat bepaalt. Een teruggegeven uitleg moet naar de werkelijke variabelen en voorwaarden verwijzen in plaats van hypothetisch gedrag te introduceren. 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.
Denken is standaard ingeschakeld in de aangeleverde sjabloon. Een harde schakelaar selecteert uitvoer zonder denken en zonder redeneergedeelte. Wanneer denken ingeschakeld blijft, fungeren /think en /no_think als instructies per beurt, waarbij de meest recente de keuze bepaalt; ze kunnen een hard uitgeschakelde modus niet overrulen. Gebruik de rechtstreekse instelling voor een korte herschrijving en een redeneerinstelling wanneer een antwoord meerdere voorwaarden met elkaar moet verzoenen. Houd tussentijdse redeneringen gescheiden van het eindantwoord en bewaar het eindantwoord in de latere dialooggeschiedenis. Met denken ingeschakeld behoudt zelfs een zachte aanvraag om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
Gebruik met agents maakt deel uit van de gepubliceerde mogelijkheden. De fabrikant beveelt Qwen-Agent aan voor toolopmaak en parsing, terwijl de toepassing de tools levert en uitvoert. Een afgebakende assistent zou voor een productterm een woordenboekopzoeking kunnen aanvragen, de bevestigde definitie ontvangen en vervolgens de zin van de gebruiker herschrijven. Definieer het toegestane argument en de teruggegeven velden; controleer beide voordat je het resultaat gebruikt. De eindtekst moet onderscheid maken tussen aangeleverde feiten, teruggegeven informatie en onbeantwoorde vragen. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggebracht.
Het uitvoerbudget moet bij de hele taak passen. De modelkaart geeft generatievoorbeelden en aanbevelingen voor uitvoerlengtes; die verschillen van een bewezen maximum aan de kant van de dienst. Korte gevraagde uitvoer is makkelijk te verifiëren: specificeer de velden, volgorde en taal, en houd het oorspronkelijke bericht beschikbaar voor vergelijking. Evalueer het resultaat op de werkelijke invoerklasse voordat je op lange generatie vertrouwt. 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 grootte heeft een specifieke opmerking over hardnekkige herhaling: de kaart stelt de aanbevolen samplinginstellingen en presence_penalty 1.5 voor wanneer aanzienlijke herhaling optreedt. Hogere penalties kunnen soms talen mengen of de prestaties verlagen. Voor denken wordt temperature 0.6 met top-p 0.95, top-k 20 en min-p 0 voorgesteld; voor niet-denken temperature 0.7 met top-p 0.8, top-k 20 en min-p 0. Vermijd greedy decoding in redeneermodus. Controleer namen, datums, labels en herhaalde zinsdelen, en valideer gestructureerde uitvoer voordat je die aan een ander deel van een toepassing doorgeeft.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-1.7b | 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Gebruik de hierboven getoonde methodepaden.
qwen3-1.7bQwen3-1.7B is een compact tekstmodel met een dense architectuur met zowel een modus voor rechtstreekse antwoorden als een denkmodus. Het ondersteunt meertalige dialoog, schrijven, code en toolgerichte instructies, met een context van 32,768 tokens die voor deze exacte release is gedocumenteerd.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-1.7B combineert rechtstreekse antwoorden en redeneren in een klein taalmodel met een dense architectuur. De fabrikant beschrijft instructieopvolging, creatief schrijven, rolgebonden gesprekken, wiskunde, logische problemen en code, met meer dan 100 ondersteunde talen en dialecten. Het ontvangt tekst en produceert tekst. Een bruikbare starttaak is een nauwkeurig omschreven omzetting: maak van een kort klantenbericht een beleefd antwoord, leg een term uit voor een bepaalde lezer of zet een vergadernota om in een actielijst.
De exacte release heeft 1.7 miljard parameters, waaronder 1.4 miljard buiten embeddings, en 28 lagen. Grouped-query attention gebruikt 16 querykoppen en acht sleutel-/waardekoppen. De eigen modelkaart vermeldt een contextlengte van 32,768 tokens. Dat is het gedocumenteerde venster van de editie; cijfers voor grotere context uit andere Qwen3-groottes moeten bij die afzonderlijke kaarten blijven. Houd brontekst, instructies, gespreksgeschiedenis en het gevraagde antwoord binnen het relevante reeksbudget. Lever voor een antwoordassistent het ontvangen bericht, geverifieerde achtergrondfeiten, het publiek en de gewenste lengte aan in plaats van een volledig niet-gerelateerd correspondentiearchief.
De snelstart van de fabrikant formatteert een gesprek met de chatsjabloon van het model. Bereid een kleine volledige taak voor die aan haar bron kan worden getoetst. Geef voor een actielijstvoorbeeld een nota met namen, datums en beslissingen, vraag om één item per actie en vereis een expliciete onbekende waarde waar geen verantwoordelijke is vermeld. Geef voor een programmeervoorbeeld één functie en representatieve invoer, en vraag het model vervolgens om de vertakking uit te leggen die het resultaat bepaalt. Een teruggegeven uitleg moet naar de werkelijke variabelen en voorwaarden verwijzen in plaats van hypothetisch gedrag te introduceren. 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.
Denken is standaard ingeschakeld in de aangeleverde sjabloon. Een harde schakelaar selecteert uitvoer zonder denken en zonder redeneergedeelte. Wanneer denken ingeschakeld blijft, fungeren /think en /no_think als instructies per beurt, waarbij de meest recente de keuze bepaalt; ze kunnen een hard uitgeschakelde modus niet overrulen. Gebruik de rechtstreekse instelling voor een korte herschrijving en een redeneerinstelling wanneer een antwoord meerdere voorwaarden met elkaar moet verzoenen. Houd tussentijdse redeneringen gescheiden van het eindantwoord en bewaar het eindantwoord in de latere dialooggeschiedenis. Met denken ingeschakeld behoudt zelfs een zachte aanvraag om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
Gebruik met agents maakt deel uit van de gepubliceerde mogelijkheden. De fabrikant beveelt Qwen-Agent aan voor toolopmaak en parsing, terwijl de toepassing de tools levert en uitvoert. Een afgebakende assistent zou voor een productterm een woordenboekopzoeking kunnen aanvragen, de bevestigde definitie ontvangen en vervolgens de zin van de gebruiker herschrijven. Definieer het toegestane argument en de teruggegeven velden; controleer beide voordat je het resultaat gebruikt. De eindtekst moet onderscheid maken tussen aangeleverde feiten, teruggegeven informatie en onbeantwoorde vragen. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggebracht.
Het uitvoerbudget moet bij de hele taak passen. De modelkaart geeft generatievoorbeelden en aanbevelingen voor uitvoerlengtes; die verschillen van een bewezen maximum aan de kant van de dienst. Korte gevraagde uitvoer is makkelijk te verifiëren: specificeer de velden, volgorde en taal, en houd het oorspronkelijke bericht beschikbaar voor vergelijking. Evalueer het resultaat op de werkelijke invoerklasse voordat je op lange generatie vertrouwt. 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 grootte heeft een specifieke opmerking over hardnekkige herhaling: de kaart stelt de aanbevolen samplinginstellingen en presence_penalty 1.5 voor wanneer aanzienlijke herhaling optreedt. Hogere penalties kunnen soms talen mengen of de prestaties verlagen. Voor denken wordt temperature 0.6 met top-p 0.95, top-k 20 en min-p 0 voorgesteld; voor niet-denken temperature 0.7 met top-p 0.8, top-k 20 en min-p 0. Vermijd greedy decoding in redeneermodus. Controleer namen, datums, labels en herhaalde zinsdelen, en valideer gestructureerde uitvoer voordat je die aan een ander deel van een toepassing doorgeeft.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-1.7b | 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 $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.