Hoofdpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, het volgen van instructies, toolgebruik en tekstgeneratie, naast langere denkreeksen en sterker begrip van lange context. Selecteer deze exacte 2507-editie wanneer de taak baat heeft bij langdurig redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem met meerdere fasen of het doorwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30,5 miljard parameters en 3,3 miljard geactiveerde parameters, met 128 experts waarvan er acht per token worden geselecteerd, verdeeld over 48 lagen. De oorspronkelijke context is 262.144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een verbonden toepassingsworkflow aangeboden. Dit checkpoint ondersteunt alleen denken. Het staat los van de eerdere hybride Qwen3-30B-A3B, de FP8-editie daarvan en Qwen3-30B-A3B-Instruct-2507. Er mag niet worden aangenomen dat de niet-denkschakelaar van het hybride model hier van toepassing is.
Het standaardchatsjabloon begint de redeneerreeks al met een openingsmarkering voor denken, zodat een expliciete instelling enable_thinking=True niet nodig is. Een teruggegeven reeks kan de sluitingsmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Behoud dat onderscheid wanneer u om een concreet eindproduct vraagt: een bewijsconclusie, patch of beslistabel moet na de langere uitleg eenvoudig te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, randvoorwaarden en het relevante bewijs. Neem voor een codewijziging de bestaande functie, een falende invoer en het verwachte gedrag op en vraag vervolgens om een voorgestelde patch met uitleg van randgevallen. Scheid bij een wetenschappelijke vraag waarnemingen van aannames en vraag welke conclusie uit elk volgt. Behoud bij een lang beleidsdocument of lange specificatie sectie-identificaties en vraag om een beknopt besluit dat door de relevante bepalingen wordt ondersteund. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Reserveer omdat deze versie uitvoerig kan redeneren ruimte voor zowel redenering als het eindartefact. Qwen adviseert bij het configureren van het model waar mogelijk een context boven 131.072 tokens te behouden, ook als een kleinere context de geheugendruk zou verlichten. Het getal voor de oorspronkelijke context omvat het sequentiebudget; het is geen belofte dat dit geheel voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Agentgebruik
De maker documenteert toolaanroepen en raadt Qwen-Agent aan voor toolsjablonen en parsing, inclusief integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het bedoelde resultaat expliciet. Een toepassing kan het model bijvoorbeeld opgehaald bewijs laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de verbonden tools; de mogelijkheid van het model om tools aan te roepen stelt op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen vast.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van de interacties ertussen; de tweede richt de berekening op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad boven op de oorspronkelijke context van 262.144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachete aandachtstoestand en piekactivaties.
Dat recept heeft concrete resourcegrenzen: gecachete sequentietoestand, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met één miljoen tokens hangt daarom af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin voor praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om herleidbaar bewijs, in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatierichtlijnen en limieten
Qwen raadt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32.768 tokens voor bij de meeste vragen en 81.920 bij uitzonderlijk moeilijke wiskundige of programmeerproblemen. Dit zijn aanbevelingen voor generatiebudgetten en geen afzonderlijk gepubliceerde harde uitvoerlimiet. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen vermengen of de kwaliteit licht verlagen.
Specificeer in de prompt het formaat van het uiteindelijke antwoord, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar zoals de maker aanbeveelt alleen het gedeelte met het uiteindelijke antwoord in de gespreksgeschiedenis. Langer redeneren is bruikbaar wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat u op de uitkomst vertrouwt.
", "aboutText": "Hoofdpunten: de vaste Thinking-2507-release\n\nQwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, het volgen van instructies, toolgebruik en tekstgeneratie, naast langere denkreeksen en sterker begrip van lange context. Selecteer deze exacte 2507-editie wanneer de taak baat heeft bij langdurig redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem met meerdere fasen of het doorwerken van een complexe codewijziging.\n\nModeloverzicht en modus\n\nHet mixture-of-experts-model heeft in totaal 30,5 miljard parameters en 3,3 miljard geactiveerde parameters, met 128 experts waarvan er acht per token worden geselecteerd, verdeeld over 48 lagen. De oorspronkelijke context is 262.144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een verbonden toepassingsworkflow aangeboden. Dit checkpoint ondersteunt alleen denken. Het staat los van de eerdere hybride Qwen3-30B-A3B, de FP8-editie daarvan en Qwen3-30B-A3B-Instruct-2507. Er mag niet worden aangenomen dat de niet-denkschakelaar van het hybride model hier van toepassing is.\n\nHet standaardchatsjabloon begint de redeneerreeks al met een openingsmarkering voor denken, zodat een expliciete instelling enable_thinking=True niet nodig is. Een teruggegeven reeks kan de sluitingsmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Behoud dat onderscheid wanneer u om een concreet eindproduct vraagt: een bewijsconclusie, patch of beslistabel moet na de langere uitleg eenvoudig te vinden blijven.\n\nEen moeilijke taak voorbereiden\n\nGeef het model de volledige probleemstelling, randvoorwaarden en het relevante bewijs. Neem voor een codewijziging de bestaande functie, een falende invoer en het verwachte gedrag op en vraag vervolgens om een voorgestelde patch met uitleg van randgevallen. Scheid bij een wetenschappelijke vraag waarnemingen van aannames en vraag welke conclusie uit elk volgt. Behoud bij een lang beleidsdocument of lange specificatie sectie-identificaties en vraag om een beknopt besluit dat door de relevante bepalingen wordt ondersteund. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.\n\nReserveer omdat deze versie uitvoerig kan redeneren ruimte voor zowel redenering als het eindartefact. Qwen adviseert bij het configureren van het model waar mogelijk een context boven 131.072 tokens te behouden, ook als een kleinere context de geheugendruk zou verlichten. Het getal voor de oorspronkelijke context omvat het sequentiebudget; het is geen belofte dat dit geheel voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.\n\nAgentgebruik\n\nDe maker documenteert toolaanroepen en raadt Qwen-Agent aan voor toolsjablonen en parsing, inclusief integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het bedoelde resultaat expliciet. Een toepassing kan het model bijvoorbeeld opgehaald bewijs laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de verbonden tools; de mogelijkheid van het model om tools aan te roepen stelt op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen vast.\n\nUltralange tekst verwerken\n\nQwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van de interacties ertussen; de tweede richt de berekening op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad boven op de oorspronkelijke context van 262.144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachete aandachtstoestand en piekactivaties.\n\nDat recept heeft concrete resourcegrenzen: gecachete sequentietoestand, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met één miljoen tokens hangt daarom af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin voor praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om herleidbaar bewijs, in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.\n\nGeneratierichtlijnen en limieten\n\nQwen raadt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32.768 tokens voor bij de meeste vragen en 81.920 bij uitzonderlijk moeilijke wiskundige of programmeerproblemen. Dit zijn aanbevelingen voor generatiebudgetten en geen afzonderlijk gepubliceerde harde uitvoerlimiet. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen vermengen of de kwaliteit licht verlagen.\n\nSpecificeer in de prompt het formaat van het uiteindelijke antwoord, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar zoals de maker aanbeveelt alleen het gedeelte met het uiteindelijke antwoord in de gespreksgeschiedenis. Langer redeneren is bruikbaar wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat u op de uitkomst vertrouwt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 is het tekstmodel van Qwen dat uitsluitend de denkmodus gebruikt voor veeleisende wiskunde, wetenschap, programmeren en logisch redeneren. Deze vaste 2507-editie biedt een oorspronkelijke context van 262.144 tokens en een langer redeneerbudget, met gedocumenteerde toolaanroepen en voorwaardelijke workflows voor ultralange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, het volgen van instructies, toolgebruik en tekstgeneratie, naast langere denkreeksen en sterker begrip van lange context. Selecteer deze exacte 2507-editie wanneer de taak baat heeft bij langdurig redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem met meerdere fasen of het doorwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30,5 miljard parameters en 3,3 miljard geactiveerde parameters, met 128 experts waarvan er acht per token worden geselecteerd, verdeeld over 48 lagen. De oorspronkelijke context is 262.144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een verbonden toepassingsworkflow aangeboden. Dit checkpoint ondersteunt alleen denken. Het staat los van de eerdere hybride Qwen3-30B-A3B, de FP8-editie daarvan en Qwen3-30B-A3B-Instruct-2507. Er mag niet worden aangenomen dat de niet-denkschakelaar van het hybride model hier van toepassing is.
Het standaardchatsjabloon begint de redeneerreeks al met een openingsmarkering voor denken, zodat een expliciete instelling enable_thinking=True niet nodig is. Een teruggegeven reeks kan de sluitingsmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Behoud dat onderscheid wanneer u om een concreet eindproduct vraagt: een bewijsconclusie, patch of beslistabel moet na de langere uitleg eenvoudig te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, randvoorwaarden en het relevante bewijs. Neem voor een codewijziging de bestaande functie, een falende invoer en het verwachte gedrag op en vraag vervolgens om een voorgestelde patch met uitleg van randgevallen. Scheid bij een wetenschappelijke vraag waarnemingen van aannames en vraag welke conclusie uit elk volgt. Behoud bij een lang beleidsdocument of lange specificatie sectie-identificaties en vraag om een beknopt besluit dat door de relevante bepalingen wordt ondersteund. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Reserveer omdat deze versie uitvoerig kan redeneren ruimte voor zowel redenering als het eindartefact. Qwen adviseert bij het configureren van het model waar mogelijk een context boven 131.072 tokens te behouden, ook als een kleinere context de geheugendruk zou verlichten. Het getal voor de oorspronkelijke context omvat het sequentiebudget; het is geen belofte dat dit geheel voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Agentgebruik
De maker documenteert toolaanroepen en raadt Qwen-Agent aan voor toolsjablonen en parsing, inclusief integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het bedoelde resultaat expliciet. Een toepassing kan het model bijvoorbeeld opgehaald bewijs laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de verbonden tools; de mogelijkheid van het model om tools aan te roepen stelt op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen vast.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van de interacties ertussen; de tweede richt de berekening op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad boven op de oorspronkelijke context van 262.144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachete aandachtstoestand en piekactivaties.
Dat recept heeft concrete resourcegrenzen: gecachete sequentietoestand, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met één miljoen tokens hangt daarom af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin voor praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om herleidbaar bewijs, in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatierichtlijnen en limieten
Qwen raadt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32.768 tokens voor bij de meeste vragen en 81.920 bij uitzonderlijk moeilijke wiskundige of programmeerproblemen. Dit zijn aanbevelingen voor generatiebudgetten en geen afzonderlijk gepubliceerde harde uitvoerlimiet. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen vermengen of de kwaliteit licht verlagen.
Specificeer in de prompt het formaat van het uiteindelijke antwoord, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar zoals de maker aanbeveelt alleen het gedeelte met het uiteindelijke antwoord in de gespreksgeschiedenis. Langer redeneren is bruikbaar wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat u op de uitkomst vertrouwt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen/Qwen3-30B-A3B-Thinking-2507 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
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 |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
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 $0.0002 / 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-Thinking-2507","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-Thinking-2507", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 is het tekstmodel van Qwen dat uitsluitend de denkmodus gebruikt voor veeleisende wiskunde, wetenschap, programmeren en logisch redeneren. Deze vaste 2507-editie biedt een oorspronkelijke context van 262.144 tokens en een langer redeneerbudget, met gedocumenteerde toolaanroepen en voorwaardelijke workflows voor ultralange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, het volgen van instructies, toolgebruik en tekstgeneratie, naast langere denkreeksen en sterker begrip van lange context. Selecteer deze exacte 2507-editie wanneer de taak baat heeft bij langdurig redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem met meerdere fasen of het doorwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30,5 miljard parameters en 3,3 miljard geactiveerde parameters, met 128 experts waarvan er acht per token worden geselecteerd, verdeeld over 48 lagen. De oorspronkelijke context is 262.144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een verbonden toepassingsworkflow aangeboden. Dit checkpoint ondersteunt alleen denken. Het staat los van de eerdere hybride Qwen3-30B-A3B, de FP8-editie daarvan en Qwen3-30B-A3B-Instruct-2507. Er mag niet worden aangenomen dat de niet-denkschakelaar van het hybride model hier van toepassing is.
Het standaardchatsjabloon begint de redeneerreeks al met een openingsmarkering voor denken, zodat een expliciete instelling enable_thinking=True niet nodig is. Een teruggegeven reeks kan de sluitingsmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Behoud dat onderscheid wanneer u om een concreet eindproduct vraagt: een bewijsconclusie, patch of beslistabel moet na de langere uitleg eenvoudig te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, randvoorwaarden en het relevante bewijs. Neem voor een codewijziging de bestaande functie, een falende invoer en het verwachte gedrag op en vraag vervolgens om een voorgestelde patch met uitleg van randgevallen. Scheid bij een wetenschappelijke vraag waarnemingen van aannames en vraag welke conclusie uit elk volgt. Behoud bij een lang beleidsdocument of lange specificatie sectie-identificaties en vraag om een beknopt besluit dat door de relevante bepalingen wordt ondersteund. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Reserveer omdat deze versie uitvoerig kan redeneren ruimte voor zowel redenering als het eindartefact. Qwen adviseert bij het configureren van het model waar mogelijk een context boven 131.072 tokens te behouden, ook als een kleinere context de geheugendruk zou verlichten. Het getal voor de oorspronkelijke context omvat het sequentiebudget; het is geen belofte dat dit geheel voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Agentgebruik
De maker documenteert toolaanroepen en raadt Qwen-Agent aan voor toolsjablonen en parsing, inclusief integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het bedoelde resultaat expliciet. Een toepassing kan het model bijvoorbeeld opgehaald bewijs laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de verbonden tools; de mogelijkheid van het model om tools aan te roepen stelt op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen vast.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van de interacties ertussen; de tweede richt de berekening op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad boven op de oorspronkelijke context van 262.144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachete aandachtstoestand en piekactivaties.
Dat recept heeft concrete resourcegrenzen: gecachete sequentietoestand, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met één miljoen tokens hangt daarom af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin voor praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om herleidbaar bewijs, in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatierichtlijnen en limieten
Qwen raadt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32.768 tokens voor bij de meeste vragen en 81.920 bij uitzonderlijk moeilijke wiskundige of programmeerproblemen. Dit zijn aanbevelingen voor generatiebudgetten en geen afzonderlijk gepubliceerde harde uitvoerlimiet. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen vermengen of de kwaliteit licht verlagen.
Specificeer in de prompt het formaat van het uiteindelijke antwoord, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar zoals de maker aanbeveelt alleen het gedeelte met het uiteindelijke antwoord in de gespreksgeschiedenis. Langer redeneren is bruikbaar wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat u op de uitkomst vertrouwt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen/Qwen3-30B-A3B-Thinking-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Thinking-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-Thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 is het tekstmodel van Qwen dat uitsluitend de denkmodus gebruikt voor veeleisende wiskunde, wetenschap, programmeren en logisch redeneren. Deze vaste 2507-editie biedt een oorspronkelijke context van 262.144 tokens en een langer redeneerbudget, met gedocumenteerde toolaanroepen en voorwaardelijke workflows voor ultralange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, het volgen van instructies, toolgebruik en tekstgeneratie, naast langere denkreeksen en sterker begrip van lange context. Selecteer deze exacte 2507-editie wanneer de taak baat heeft bij langdurig redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem met meerdere fasen of het doorwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30,5 miljard parameters en 3,3 miljard geactiveerde parameters, met 128 experts waarvan er acht per token worden geselecteerd, verdeeld over 48 lagen. De oorspronkelijke context is 262.144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een verbonden toepassingsworkflow aangeboden. Dit checkpoint ondersteunt alleen denken. Het staat los van de eerdere hybride Qwen3-30B-A3B, de FP8-editie daarvan en Qwen3-30B-A3B-Instruct-2507. Er mag niet worden aangenomen dat de niet-denkschakelaar van het hybride model hier van toepassing is.
Het standaardchatsjabloon begint de redeneerreeks al met een openingsmarkering voor denken, zodat een expliciete instelling enable_thinking=True niet nodig is. Een teruggegeven reeks kan de sluitingsmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Behoud dat onderscheid wanneer u om een concreet eindproduct vraagt: een bewijsconclusie, patch of beslistabel moet na de langere uitleg eenvoudig te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, randvoorwaarden en het relevante bewijs. Neem voor een codewijziging de bestaande functie, een falende invoer en het verwachte gedrag op en vraag vervolgens om een voorgestelde patch met uitleg van randgevallen. Scheid bij een wetenschappelijke vraag waarnemingen van aannames en vraag welke conclusie uit elk volgt. Behoud bij een lang beleidsdocument of lange specificatie sectie-identificaties en vraag om een beknopt besluit dat door de relevante bepalingen wordt ondersteund. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Reserveer omdat deze versie uitvoerig kan redeneren ruimte voor zowel redenering als het eindartefact. Qwen adviseert bij het configureren van het model waar mogelijk een context boven 131.072 tokens te behouden, ook als een kleinere context de geheugendruk zou verlichten. Het getal voor de oorspronkelijke context omvat het sequentiebudget; het is geen belofte dat dit geheel voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Agentgebruik
De maker documenteert toolaanroepen en raadt Qwen-Agent aan voor toolsjablonen en parsing, inclusief integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het bedoelde resultaat expliciet. Een toepassing kan het model bijvoorbeeld opgehaald bewijs laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de verbonden tools; de mogelijkheid van het model om tools aan te roepen stelt op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen vast.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van de interacties ertussen; de tweede richt de berekening op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad boven op de oorspronkelijke context van 262.144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachete aandachtstoestand en piekactivaties.
Dat recept heeft concrete resourcegrenzen: gecachete sequentietoestand, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met één miljoen tokens hangt daarom af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin voor praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om herleidbaar bewijs, in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatierichtlijnen en limieten
Qwen raadt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32.768 tokens voor bij de meeste vragen en 81.920 bij uitzonderlijk moeilijke wiskundige of programmeerproblemen. Dit zijn aanbevelingen voor generatiebudgetten en geen afzonderlijk gepubliceerde harde uitvoerlimiet. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen vermengen of de kwaliteit licht verlagen.
Specificeer in de prompt het formaat van het uiteindelijke antwoord, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar zoals de maker aanbeveelt alleen het gedeelte met het uiteindelijke antwoord in de gespreksgeschiedenis. Langer redeneren is bruikbaar wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat u op de uitkomst vertrouwt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-30b-a3b-thinking-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | 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": "qwen3-30b-a3b-thinking-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='qwen3-30b-a3b-thinking-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='qwen3-30b-a3b-thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 is het tekstmodel van Qwen dat uitsluitend de denkmodus gebruikt voor veeleisende wiskunde, wetenschap, programmeren en logisch redeneren. Deze vaste 2507-editie biedt een oorspronkelijke context van 262.144 tokens en een langer redeneerbudget, met gedocumenteerde toolaanroepen en voorwaardelijke workflows voor ultralange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoofdpunten: de vaste Thinking-2507-release
Qwen3-30B-A3B-Thinking-2507 is een tekstgeneratiemodel gericht op moeilijk redeneren. Qwen beschrijft verbeteringen in logica, wiskunde, wetenschap, programmeren, het volgen van instructies, toolgebruik en tekstgeneratie, naast langere denkreeksen en sterker begrip van lange context. Selecteer deze exacte 2507-editie wanneer de taak baat heeft bij langdurig redeneren, zoals het onderzoeken van concurrerende verklaringen, het oplossen van een wiskundig probleem met meerdere fasen of het doorwerken van een complexe codewijziging.
Modeloverzicht en modus
Het mixture-of-experts-model heeft in totaal 30,5 miljard parameters en 3,3 miljard geactiveerde parameters, met 128 experts waarvan er acht per token worden geselecteerd, verdeeld over 48 lagen. De oorspronkelijke context is 262.144 tokens. Het accepteert tekst en geeft tekst terug; toolresultaten worden via een verbonden toepassingsworkflow aangeboden. Dit checkpoint ondersteunt alleen denken. Het staat los van de eerdere hybride Qwen3-30B-A3B, de FP8-editie daarvan en Qwen3-30B-A3B-Instruct-2507. Er mag niet worden aangenomen dat de niet-denkschakelaar van het hybride model hier van toepassing is.
Het standaardchatsjabloon begint de redeneerreeks al met een openingsmarkering voor denken, zodat een expliciete instelling enable_thinking=True niet nodig is. Een teruggegeven reeks kan de sluitingsmarkering bevatten zonder de openingsmarkering te herhalen. Het voorbeeld van de maker scheidt de redenering van het uiteindelijke antwoord. Behoud dat onderscheid wanneer u om een concreet eindproduct vraagt: een bewijsconclusie, patch of beslistabel moet na de langere uitleg eenvoudig te vinden blijven.
Een moeilijke taak voorbereiden
Geef het model de volledige probleemstelling, randvoorwaarden en het relevante bewijs. Neem voor een codewijziging de bestaande functie, een falende invoer en het verwachte gedrag op en vraag vervolgens om een voorgestelde patch met uitleg van randgevallen. Scheid bij een wetenschappelijke vraag waarnemingen van aannames en vraag welke conclusie uit elk volgt. Behoud bij een lang beleidsdocument of lange specificatie sectie-identificaties en vraag om een beknopt besluit dat door de relevante bepalingen wordt ondersteund. Dit zijn praktische toepassingen van de gedocumenteerde redeneerdomeinen, geen beweringen dat het model een patch heeft uitgevoerd of een experiment heeft gevalideerd.
Reserveer omdat deze versie uitvoerig kan redeneren ruimte voor zowel redenering als het eindartefact. Qwen adviseert bij het configureren van het model waar mogelijk een context boven 131.072 tokens te behouden, ook als een kleinere context de geheugendruk zou verlichten. Het getal voor de oorspronkelijke context omvat het sequentiebudget; het is geen belofte dat dit geheel voor een document kan worden gebruikt terwijl onbeperkte antwoordruimte overblijft.
Agentgebruik
De maker documenteert toolaanroepen en raadt Qwen-Agent aan voor toolsjablonen en parsing, inclusief integratie met geconfigureerde tools en workflows met een code-interpreter. Definieer de tools en het bedoelde resultaat expliciet. Een toepassing kan het model bijvoorbeeld opgehaald bewijs laten inspecteren, een toegestane rekenmachine laten gebruiken en vervolgens een rapport laten produceren dat de berekening uitlegt. Ophalen en uitvoeren behoren tot de verbonden tools; de mogelijkheid van het model om tools aan te roepen stelt op zichzelf geen toegang tot internet, een codeomgeving of bedrijfssystemen vast.
Ultralange tekst verwerken
Qwen documenteert een optionele workflow die ongeveer één miljoen tokens bereikt door Dual Chunk Attention met MInference sparse attention te combineren. De eerste techniek verdeelt lange reeksen in blokken met behoud van de interacties ertussen; de tweede richt de berekening op geselecteerde aandachtsrelaties. Dit is een aanvullend configuratiepad boven op de oorspronkelijke context van 262.144 tokens. Het recept van de maker vereist de speciale configuratie voor lange context en raamt ongeveer 240 GB totaal GPU-geheugen voor gewichten, gecachete aandachtstoestand en piekactivaties.
Dat recept heeft concrete resourcegrenzen: gecachete sequentietoestand, activatiegeheugen en totale invoerlengte kunnen elk de geconfigureerde capaciteit uitputten. Een workflow met één miljoen tokens hangt daarom af van configuratie, geheugen en ondersteunde aandachtsimplementatie. Begin voor praktische documentbeoordeling met het relevante materiaal, markeer documentgrenzen en vraag om herleidbaar bewijs, in plaats van de grootst mogelijke invoer als vervanging voor een duidelijke vraag te behandelen.
Generatierichtlijnen en limieten
Qwen raadt temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan. Het stelt een uitvoerbudget van 32.768 tokens voor bij de meeste vragen en 81.920 bij uitzonderlijk moeilijke wiskundige of programmeerproblemen. Dit zijn aanbevelingen voor generatiebudgetten en geen afzonderlijk gepubliceerde harde uitvoerlimiet. Een presence penalty tussen nul en twee kan herhaling verminderen, maar hogere waarden kunnen talen vermengen of de kwaliteit licht verlagen.
Specificeer in de prompt het formaat van het uiteindelijke antwoord, zoals een afgebakend wiskundig resultaat of een antwoordveld voor een meerkeuzevraag. Bewaar zoals de maker aanbeveelt alleen het gedeelte met het uiteindelijke antwoord in de gespreksgeschiedenis. Langer redeneren is bruikbaar wanneer het een controleerbaar resultaat oplevert; inspecteer aannames, berekeningen en voorgestelde code voordat u op de uitkomst vertrouwt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-30b-a3b-thinking-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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-30b-a3b-thinking-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': 'qwen3-30b-a3b-thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Technisch voorbeeld in het Engels
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.