Hoogtepunten: de vaste Instruct-2507-update
Qwen3-30B-A3B-Instruct-2507 is de bijgewerkte non-thinking editie van Qwen3-30B-A3B. De maker benadrukt verbeteringen in instructies volgen, logisch redeneren, tekstbegrip, wiskunde, wetenschap, programmeren en toolgebruik, met bredere kennis van minder gangbare onderwerpen in meerdere talen en betere afstemming op open taken. Het accepteert en produceert tekst: een antwoord, uitleg, codevoorstel of gevraagd geschreven resultaat.
Houd de vaste 2507-identiteit los van het oorspronkelijke hybride Qwen3-30B-A3B, de FP8-build en de Thinking-2507-editie. De beschrijving van meertalige kennis geeft voor deze versie geen afzonderlijke garantie op een taalaantal. Geef bij vertaling of herschrijven de doeltaal, het publiek en de te behouden termen aan.
Modeloverzicht
Het mixture-of-experts-model heeft 30,5 miljard parameters in totaal en activeert 3,3 miljard. Het heeft 48 lagen, 128 experts en acht geselecteerde experts per token. De native context is 262.144 tokens. Het actieve parametergetal is niet de grootte van het complete checkpoint en de architectuur alleen legt geen vaste antwoordtijd in een toepassing vast.
Deze editie ondersteunt alleen non-thinking en genereert geen expliciete thinking-blokken. enable_thinking=False instellen is in de instructies van de maker niet nodig. Het kan nog steeds berekeningen tonen of code uitleggen in gewone tekst; vragen om ondersteunende stappen maakt het niet tot het afzonderlijke Thinking-checkpoint.
Een bruikbaar tekstverzoek voorbereiden
Lever voor een codetaak de relevante functie of module, invoerbeperkingen, het waargenomen gedrag en vereiste resultaat. Vraag om een voorgestelde patch of complete functie met uitleg van de betrokken aannames. Geef bij een wiskundige of wetenschappelijke vraag de volledige opgave, eenheden en definities en vraag om een duidelijk afgebakend eindantwoord dat op de aangeleverde voorwaarden steunt.
Geef voor een open schrijfopdracht het publiek, doel, de toon en informatie die moet verschijnen aan. Een nuttig antwoord kan een bewerkbaar concept zijn met de gevraagde secties, waarbij niet-onderbouwde aannames apart worden aangegeven. Vergelijk de teruggegeven tekst, berekeningen of voorgestelde code met de aangeleverde feiten, definities en vereisten.
Agentgebruik
Qwen documenteert toolaanroepen en beveelt Qwen-Agent aan voor templates en parsing, met geconfigureerde of via MCP verbonden tools. Geef de toegestane acties en waarneembare voltooiingsvoorwaarden aan. Verbonden tools voeren externe bewerkingen uit en geven observaties terug; het model kan die terugkoppeling in een volgend antwoord gebruiken. Een voorgesteld commando of claim over opgehaald bronmateriaal zou los moeten blijven van een daadwerkelijk door de werkstroom teruggegeven resultaat.
Een duidelijk eindresultaat kan een codevoorstel, bewijstabel of beknopt rapport zijn. Toolondersteuning geeft niet vanzelf via elke interface toegang tot actuele bronnen, bestanden of een uitvoeromgeving. Houd het non-thinking antwoordcontract van het exacte model in stand in plaats van promptschakelaars van een hybride model of uitvoerbudgetten van een Thinking-editie over te nemen.
Ultralange tekst verwerken
De maker documenteert een optionele werkwijze tot ongeveer één miljoen tokens via Dual Chunk Attention en MInference sparse attention. De eerste verdeelt een lange sequentie in hanteerbare delen met behoud van interacties tussen die delen; de tweede richt berekeningen op geselecteerde attention-relaties. Dit is een extra configuratiepad boven de native context van 262.144, met een speciale langcontextconfiguratie.
De instructies schatten ongeveer 240 GB totaal GPU-geheugen voor modelgewichten, gecachte sequentiestatus en piekactivaties. Ze beschrijven ook afzonderlijke capaciteitsfouten door sequentiecache, activatiegeheugen of invoer die de geconfigureerde lengte overschrijdt. De miljoen-tokenwerkwijze hangt dus af van configuratie en middelen; het hoofdcijfer is geen onvoorwaardelijke standaardinstelling.
Bereid lange invoer voor met documentgrenzen, sectienamen of code-identificaties en een concrete vraag. Reserveer ruimte voor het antwoord en vraag om het bewijs dat elke conclusie ondersteunt.
Generatieaanbevelingen
De aanbevolen werkwijze gebruikt temperature 0,7, top_p 0,8, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, terwijl hogere waarden taalvermenging of iets lagere kwaliteit kunnen geven. De maker beveelt 16.384 tokens uitvoerruimte voor de meeste vragen aan, niet de langere budgetten die voor Thinking-2507 zijn beschreven. Dit is een aanbeveling, geen onafhankelijk vastgestelde harde uitvoergrens.
Geef het eindformaat expliciet aan, zoals een wiskundige begrenzing of antwoordveld. De gedocumenteerde invoer is tekst, dus visueel of audiobewijs vereist vooraf een geschikte aparte representatie. Controleer berekeningen, citaten en gegenereerde code aan de bron. Het bruikbare resultaat is een compleet, controleerbaar tekstartifact waarvan de vaste Instruct-2507-identiteit, non-thinking modus en voorwaardelijke langcontextprocedure duidelijk blijven.
", "aboutText": "Hoogtepunten: de vaste Instruct-2507-update\n\nQwen3-30B-A3B-Instruct-2507 is de bijgewerkte non-thinking editie van Qwen3-30B-A3B. De maker benadrukt verbeteringen in instructies volgen, logisch redeneren, tekstbegrip, wiskunde, wetenschap, programmeren en toolgebruik, met bredere kennis van minder gangbare onderwerpen in meerdere talen en betere afstemming op open taken. Het accepteert en produceert tekst: een antwoord, uitleg, codevoorstel of gevraagd geschreven resultaat.\n\nHoud de vaste 2507-identiteit los van het oorspronkelijke hybride Qwen3-30B-A3B, de FP8-build en de Thinking-2507-editie. De beschrijving van meertalige kennis geeft voor deze versie geen afzonderlijke garantie op een taalaantal. Geef bij vertaling of herschrijven de doeltaal, het publiek en de te behouden termen aan.\n\nModeloverzicht\n\nHet mixture-of-experts-model heeft 30,5 miljard parameters in totaal en activeert 3,3 miljard. Het heeft 48 lagen, 128 experts en acht geselecteerde experts per token. De native context is 262.144 tokens. Het actieve parametergetal is niet de grootte van het complete checkpoint en de architectuur alleen legt geen vaste antwoordtijd in een toepassing vast.\n\nDeze editie ondersteunt alleen non-thinking en genereert geen expliciete thinking-blokken. enable_thinking=False instellen is in de instructies van de maker niet nodig. Het kan nog steeds berekeningen tonen of code uitleggen in gewone tekst; vragen om ondersteunende stappen maakt het niet tot het afzonderlijke Thinking-checkpoint.\n\nEen bruikbaar tekstverzoek voorbereiden\n\nLever voor een codetaak de relevante functie of module, invoerbeperkingen, het waargenomen gedrag en vereiste resultaat. Vraag om een voorgestelde patch of complete functie met uitleg van de betrokken aannames. Geef bij een wiskundige of wetenschappelijke vraag de volledige opgave, eenheden en definities en vraag om een duidelijk afgebakend eindantwoord dat op de aangeleverde voorwaarden steunt.\n\nGeef voor een open schrijfopdracht het publiek, doel, de toon en informatie die moet verschijnen aan. Een nuttig antwoord kan een bewerkbaar concept zijn met de gevraagde secties, waarbij niet-onderbouwde aannames apart worden aangegeven. Vergelijk de teruggegeven tekst, berekeningen of voorgestelde code met de aangeleverde feiten, definities en vereisten.\n\nAgentgebruik\n\nQwen documenteert toolaanroepen en beveelt Qwen-Agent aan voor templates en parsing, met geconfigureerde of via MCP verbonden tools. Geef de toegestane acties en waarneembare voltooiingsvoorwaarden aan. Verbonden tools voeren externe bewerkingen uit en geven observaties terug; het model kan die terugkoppeling in een volgend antwoord gebruiken. Een voorgesteld commando of claim over opgehaald bronmateriaal zou los moeten blijven van een daadwerkelijk door de werkstroom teruggegeven resultaat.\n\nEen duidelijk eindresultaat kan een codevoorstel, bewijstabel of beknopt rapport zijn. Toolondersteuning geeft niet vanzelf via elke interface toegang tot actuele bronnen, bestanden of een uitvoeromgeving. Houd het non-thinking antwoordcontract van het exacte model in stand in plaats van promptschakelaars van een hybride model of uitvoerbudgetten van een Thinking-editie over te nemen.\n\nUltralange tekst verwerken\n\nDe maker documenteert een optionele werkwijze tot ongeveer één miljoen tokens via Dual Chunk Attention en MInference sparse attention. De eerste verdeelt een lange sequentie in hanteerbare delen met behoud van interacties tussen die delen; de tweede richt berekeningen op geselecteerde attention-relaties. Dit is een extra configuratiepad boven de native context van 262.144, met een speciale langcontextconfiguratie.\n\nDe instructies schatten ongeveer 240 GB totaal GPU-geheugen voor modelgewichten, gecachte sequentiestatus en piekactivaties. Ze beschrijven ook afzonderlijke capaciteitsfouten door sequentiecache, activatiegeheugen of invoer die de geconfigureerde lengte overschrijdt. De miljoen-tokenwerkwijze hangt dus af van configuratie en middelen; het hoofdcijfer is geen onvoorwaardelijke standaardinstelling.\n\nBereid lange invoer voor met documentgrenzen, sectienamen of code-identificaties en een concrete vraag. Reserveer ruimte voor het antwoord en vraag om het bewijs dat elke conclusie ondersteunt.\n\nGeneratieaanbevelingen\n\nDe aanbevolen werkwijze gebruikt temperature 0,7, top_p 0,8, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, terwijl hogere waarden taalvermenging of iets lagere kwaliteit kunnen geven. De maker beveelt 16.384 tokens uitvoerruimte voor de meeste vragen aan, niet de langere budgetten die voor Thinking-2507 zijn beschreven. Dit is een aanbeveling, geen onafhankelijk vastgestelde harde uitvoergrens.\n\nGeef het eindformaat expliciet aan, zoals een wiskundige begrenzing of antwoordveld. De gedocumenteerde invoer is tekst, dus visueel of audiobewijs vereist vooraf een geschikte aparte representatie. Controleer berekeningen, citaten en gegenereerde code aan de bron. Het bruikbare resultaat is een compleet, controleerbaar tekstartifact waarvan de vaste Instruct-2507-identiteit, non-thinking modus en voorwaardelijke langcontextprocedure duidelijk blijven.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 is Qwens vaste non-thinking teksteditie van juli 2507, met 30,5 miljard parameters in totaal en 3,3 miljard actief. Het verbetert instructies volgen, programmeren, meertalige kennis en vrij schrijven, met een native context van 262.144 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoogtepunten: de vaste Instruct-2507-update
Qwen3-30B-A3B-Instruct-2507 is de bijgewerkte non-thinking editie van Qwen3-30B-A3B. De maker benadrukt verbeteringen in instructies volgen, logisch redeneren, tekstbegrip, wiskunde, wetenschap, programmeren en toolgebruik, met bredere kennis van minder gangbare onderwerpen in meerdere talen en betere afstemming op open taken. Het accepteert en produceert tekst: een antwoord, uitleg, codevoorstel of gevraagd geschreven resultaat.
Houd de vaste 2507-identiteit los van het oorspronkelijke hybride Qwen3-30B-A3B, de FP8-build en de Thinking-2507-editie. De beschrijving van meertalige kennis geeft voor deze versie geen afzonderlijke garantie op een taalaantal. Geef bij vertaling of herschrijven de doeltaal, het publiek en de te behouden termen aan.
Modeloverzicht
Het mixture-of-experts-model heeft 30,5 miljard parameters in totaal en activeert 3,3 miljard. Het heeft 48 lagen, 128 experts en acht geselecteerde experts per token. De native context is 262.144 tokens. Het actieve parametergetal is niet de grootte van het complete checkpoint en de architectuur alleen legt geen vaste antwoordtijd in een toepassing vast.
Deze editie ondersteunt alleen non-thinking en genereert geen expliciete thinking-blokken. enable_thinking=False instellen is in de instructies van de maker niet nodig. Het kan nog steeds berekeningen tonen of code uitleggen in gewone tekst; vragen om ondersteunende stappen maakt het niet tot het afzonderlijke Thinking-checkpoint.
Een bruikbaar tekstverzoek voorbereiden
Lever voor een codetaak de relevante functie of module, invoerbeperkingen, het waargenomen gedrag en vereiste resultaat. Vraag om een voorgestelde patch of complete functie met uitleg van de betrokken aannames. Geef bij een wiskundige of wetenschappelijke vraag de volledige opgave, eenheden en definities en vraag om een duidelijk afgebakend eindantwoord dat op de aangeleverde voorwaarden steunt.
Geef voor een open schrijfopdracht het publiek, doel, de toon en informatie die moet verschijnen aan. Een nuttig antwoord kan een bewerkbaar concept zijn met de gevraagde secties, waarbij niet-onderbouwde aannames apart worden aangegeven. Vergelijk de teruggegeven tekst, berekeningen of voorgestelde code met de aangeleverde feiten, definities en vereisten.
Agentgebruik
Qwen documenteert toolaanroepen en beveelt Qwen-Agent aan voor templates en parsing, met geconfigureerde of via MCP verbonden tools. Geef de toegestane acties en waarneembare voltooiingsvoorwaarden aan. Verbonden tools voeren externe bewerkingen uit en geven observaties terug; het model kan die terugkoppeling in een volgend antwoord gebruiken. Een voorgesteld commando of claim over opgehaald bronmateriaal zou los moeten blijven van een daadwerkelijk door de werkstroom teruggegeven resultaat.
Een duidelijk eindresultaat kan een codevoorstel, bewijstabel of beknopt rapport zijn. Toolondersteuning geeft niet vanzelf via elke interface toegang tot actuele bronnen, bestanden of een uitvoeromgeving. Houd het non-thinking antwoordcontract van het exacte model in stand in plaats van promptschakelaars van een hybride model of uitvoerbudgetten van een Thinking-editie over te nemen.
Ultralange tekst verwerken
De maker documenteert een optionele werkwijze tot ongeveer één miljoen tokens via Dual Chunk Attention en MInference sparse attention. De eerste verdeelt een lange sequentie in hanteerbare delen met behoud van interacties tussen die delen; de tweede richt berekeningen op geselecteerde attention-relaties. Dit is een extra configuratiepad boven de native context van 262.144, met een speciale langcontextconfiguratie.
De instructies schatten ongeveer 240 GB totaal GPU-geheugen voor modelgewichten, gecachte sequentiestatus en piekactivaties. Ze beschrijven ook afzonderlijke capaciteitsfouten door sequentiecache, activatiegeheugen of invoer die de geconfigureerde lengte overschrijdt. De miljoen-tokenwerkwijze hangt dus af van configuratie en middelen; het hoofdcijfer is geen onvoorwaardelijke standaardinstelling.
Bereid lange invoer voor met documentgrenzen, sectienamen of code-identificaties en een concrete vraag. Reserveer ruimte voor het antwoord en vraag om het bewijs dat elke conclusie ondersteunt.
Generatieaanbevelingen
De aanbevolen werkwijze gebruikt temperature 0,7, top_p 0,8, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, terwijl hogere waarden taalvermenging of iets lagere kwaliteit kunnen geven. De maker beveelt 16.384 tokens uitvoerruimte voor de meeste vragen aan, niet de langere budgetten die voor Thinking-2507 zijn beschreven. Dit is een aanbeveling, geen onafhankelijk vastgestelde harde uitvoergrens.
Geef het eindformaat expliciet aan, zoals een wiskundige begrenzing of antwoordveld. De gedocumenteerde invoer is tekst, dus visueel of audiobewijs vereist vooraf een geschikte aparte representatie. Controleer berekeningen, citaten en gegenereerde code aan de bron. Het bruikbare resultaat is een compleet, controleerbaar tekstartifact waarvan de vaste Instruct-2507-identiteit, non-thinking modus en voorwaardelijke langcontextprocedure duidelijk blijven.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-30b-a3b-instruct-2507 | 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 $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 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": "qwen/qwen3-30b-a3b-instruct-2507", "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/qwen3-30b-a3b-instruct-2507',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/qwen3-30b-a3b-instruct-2507',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/qwen3-30b-a3b-instruct-2507
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 is Qwens vaste non-thinking teksteditie van juli 2507, met 30,5 miljard parameters in totaal en 3,3 miljard actief. Het verbetert instructies volgen, programmeren, meertalige kennis en vrij schrijven, met een native context van 262.144 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoogtepunten: de vaste Instruct-2507-update
Qwen3-30B-A3B-Instruct-2507 is de bijgewerkte non-thinking editie van Qwen3-30B-A3B. De maker benadrukt verbeteringen in instructies volgen, logisch redeneren, tekstbegrip, wiskunde, wetenschap, programmeren en toolgebruik, met bredere kennis van minder gangbare onderwerpen in meerdere talen en betere afstemming op open taken. Het accepteert en produceert tekst: een antwoord, uitleg, codevoorstel of gevraagd geschreven resultaat.
Houd de vaste 2507-identiteit los van het oorspronkelijke hybride Qwen3-30B-A3B, de FP8-build en de Thinking-2507-editie. De beschrijving van meertalige kennis geeft voor deze versie geen afzonderlijke garantie op een taalaantal. Geef bij vertaling of herschrijven de doeltaal, het publiek en de te behouden termen aan.
Modeloverzicht
Het mixture-of-experts-model heeft 30,5 miljard parameters in totaal en activeert 3,3 miljard. Het heeft 48 lagen, 128 experts en acht geselecteerde experts per token. De native context is 262.144 tokens. Het actieve parametergetal is niet de grootte van het complete checkpoint en de architectuur alleen legt geen vaste antwoordtijd in een toepassing vast.
Deze editie ondersteunt alleen non-thinking en genereert geen expliciete thinking-blokken. enable_thinking=False instellen is in de instructies van de maker niet nodig. Het kan nog steeds berekeningen tonen of code uitleggen in gewone tekst; vragen om ondersteunende stappen maakt het niet tot het afzonderlijke Thinking-checkpoint.
Een bruikbaar tekstverzoek voorbereiden
Lever voor een codetaak de relevante functie of module, invoerbeperkingen, het waargenomen gedrag en vereiste resultaat. Vraag om een voorgestelde patch of complete functie met uitleg van de betrokken aannames. Geef bij een wiskundige of wetenschappelijke vraag de volledige opgave, eenheden en definities en vraag om een duidelijk afgebakend eindantwoord dat op de aangeleverde voorwaarden steunt.
Geef voor een open schrijfopdracht het publiek, doel, de toon en informatie die moet verschijnen aan. Een nuttig antwoord kan een bewerkbaar concept zijn met de gevraagde secties, waarbij niet-onderbouwde aannames apart worden aangegeven. Vergelijk de teruggegeven tekst, berekeningen of voorgestelde code met de aangeleverde feiten, definities en vereisten.
Agentgebruik
Qwen documenteert toolaanroepen en beveelt Qwen-Agent aan voor templates en parsing, met geconfigureerde of via MCP verbonden tools. Geef de toegestane acties en waarneembare voltooiingsvoorwaarden aan. Verbonden tools voeren externe bewerkingen uit en geven observaties terug; het model kan die terugkoppeling in een volgend antwoord gebruiken. Een voorgesteld commando of claim over opgehaald bronmateriaal zou los moeten blijven van een daadwerkelijk door de werkstroom teruggegeven resultaat.
Een duidelijk eindresultaat kan een codevoorstel, bewijstabel of beknopt rapport zijn. Toolondersteuning geeft niet vanzelf via elke interface toegang tot actuele bronnen, bestanden of een uitvoeromgeving. Houd het non-thinking antwoordcontract van het exacte model in stand in plaats van promptschakelaars van een hybride model of uitvoerbudgetten van een Thinking-editie over te nemen.
Ultralange tekst verwerken
De maker documenteert een optionele werkwijze tot ongeveer één miljoen tokens via Dual Chunk Attention en MInference sparse attention. De eerste verdeelt een lange sequentie in hanteerbare delen met behoud van interacties tussen die delen; de tweede richt berekeningen op geselecteerde attention-relaties. Dit is een extra configuratiepad boven de native context van 262.144, met een speciale langcontextconfiguratie.
De instructies schatten ongeveer 240 GB totaal GPU-geheugen voor modelgewichten, gecachte sequentiestatus en piekactivaties. Ze beschrijven ook afzonderlijke capaciteitsfouten door sequentiecache, activatiegeheugen of invoer die de geconfigureerde lengte overschrijdt. De miljoen-tokenwerkwijze hangt dus af van configuratie en middelen; het hoofdcijfer is geen onvoorwaardelijke standaardinstelling.
Bereid lange invoer voor met documentgrenzen, sectienamen of code-identificaties en een concrete vraag. Reserveer ruimte voor het antwoord en vraag om het bewijs dat elke conclusie ondersteunt.
Generatieaanbevelingen
De aanbevolen werkwijze gebruikt temperature 0,7, top_p 0,8, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, terwijl hogere waarden taalvermenging of iets lagere kwaliteit kunnen geven. De maker beveelt 16.384 tokens uitvoerruimte voor de meeste vragen aan, niet de langere budgetten die voor Thinking-2507 zijn beschreven. Dit is een aanbeveling, geen onafhankelijk vastgestelde harde uitvoergrens.
Geef het eindformaat expliciet aan, zoals een wiskundige begrenzing of antwoordveld. De gedocumenteerde invoer is tekst, dus visueel of audiobewijs vereist vooraf een geschikte aparte representatie. Controleer berekeningen, citaten en gegenereerde code aan de bron. Het bruikbare resultaat is een compleet, controleerbaar tekstartifact waarvan de vaste Instruct-2507-identiteit, non-thinking modus en voorwaardelijke langcontextprocedure duidelijk blijven.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-30b-a3b-instruct-2507 | 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 $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-30b-a3b-instruct-2507', '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/qwen3-30b-a3b-instruct-2507', '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/qwen3-30b-a3b-instruct-2507
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.