Belangrijkste kenmerken van Qwen3.8: langdurig redeneren met tekst
Qwen3.8-2.4T-A95B is het open Qwen3.8-checkpoint voor redeneren met tekst. Qwen beschrijft verbeteringen voor programmeren, professioneel werk, onderzoek en agenttaken met een lange horizon, waaronder planning en het gebruik van feedback uit de omgeving. Het accepteert tekst en retourneert tekst. De maker onderscheidt het expliciet van de beheerde Qwen3.8-Max-dienst: visuele invoer en ondersteuning zonder denken zijn aanvullende functies van die dienst, geen mogelijkheden van dit exacte open checkpoint.
Lever voor een programmeertaak de relevante modules, de eis en invoer die het huidige gedrag zichtbaar maakt aan. Vraag om een toegelichte wijziging en een controleerbaar eindproduct. Lever voor een onderzoeks- of professioneel verslag het bewijs, vereiste paragrafen en beoordelingscriteria aan en vraag het model vervolgens onderbouwde bevindingen van aannames te onderscheiden. Dit zijn praktische toepassingen van het gedocumenteerde takengebied, geen beloften van uitgevoerde code of door experts gecertificeerde conclusies.
Modeloverzicht
Het sparse mixture-of-experts-model heeft in totaal 2.4 biljoen parameters en activeert 95 miljard. Het heeft 92 lagen en 512 gerouteerde experts en selecteert tien gerouteerde experts samen met één gedeelde expert. De hybride blokken combineren Gated DeltaNet en gated attention met expertlagen volgens een drie-op-één-patroon. Multi-token prediction maakt deel uit van de training. Het aantal geactiveerde parameters is niet de volledige checkpointgrootte en een groot totaal aantal legt geen garantie voor responstijd vast.
De native context is 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,010,000. Dit verschilt van de standaardcontext van één miljoen tokens in de beheerde Max-referentie. Gebruik de werkelijk geconfigureerde sequentieruimte voor brontekst, gespreksgeschiedenis, redeneren en het eindantwoord, in plaats van aan te nemen dat alle grootste waarden tegelijk gelden.
Het exacte denkcheckpoint gebruiken
Denken is vereist voor elke interactie en kan niet worden uitgeschakeld. De gedocumenteerde uitvoer begint met een redeneerblok vóór de eindtekst. reasoning_effort ondersteunt xhigh, medium en low; xhigh is de standaard. Low vermindert de beoogde diepgang, maar blijft een denkmodus. Een verzoek om een beknopt eindantwoord kan het gewenste eindproduct sturen zonder dit model in een editie zonder denken te veranderen.
preserve_thinking is standaard ingeschakeld. Het bewaren van redeneercontext uit eerdere beurten helpt een iteratieve taak de beslissingscontext mee te nemen. Houd correcties, toolresultaten en het eindantwoord gekoppeld aan de beurten die ze hebben voortgebracht. Dit model moet zijn eigen afspraken voor geschiedenis volgen, in plaats van oudere adviezen over te nemen om elk redeneerblok uit eerdere berichten te verwijderen. De exacte beschikbaarheid van instellingen voor intensiteit en behoud hangt af van de interface die de checkpointprocedure implementeert.
Ontwikkelhulpmiddelen en feedback uit de omgeving
Qwen beschrijft compatibiliteit met ontwikkelhulpmiddelen voor het aansturen van agents en tools. Een langdurige taak kan worden uitgedrukt als een doel, toegestane handelingen en bewijs voor voltooiing; de toepassing kan vervolgens waarnemingen uit inspectie of uitvoering leveren. Vraag het model uit te leggen hoe elk nieuw resultaat het plan verandert en te melden wat onopgelost blijft. Een handeling plannen en een echt resultaat ontvangen zijn verschillende onderdelen van die workflow.
De beheerde Max-voorbeelden in de modelkaart omvatten extra ingebouwde tools. Die mogen niet worden omgezet in automatisch zoeken op het web, code-uitvoering of visuele invoer voor dit open model. De nuttige rol is die van een onderdeel voor redeneren met tekst in een gekoppelde workflow; tools en externe effecten behoren tot de toepassing die ze levert.
Generatieaanbevelingen
De maker beveelt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit enigszins verlagen. Parameterondersteuning verschilt per implementatie.
Voor een geconfigureerde workflow met één miljoen tokens en afzonderlijke limieten voor redeneren en eindantwoorden beveelt Qwen 262,144 tokens voor redeneren en 131,072 voor het eindantwoord aan. Dit zijn voorwaardelijke hoeveelheden, geen afzonderlijk vastgestelde harde grenzen of budgetten die samen binnen de native context van 262,144 tokens passen. Reserveer voldoende ruimte voor een volledig eindproduct en vraag om een eindresultaat dat na het redeneerproces gemakkelijk te vinden is.
Praktische beperkingen
Dit checkpoint accepteert geen afbeeldingen, audio of video. Zet relevant bewijsmateriaal waar nodig via een afzonderlijke workflow om naar een geschikte tekstrepresentatie en behoud identificaties waarmee het antwoord kan worden gecontroleerd. De modelkaart vermeldt een uitgebreide context, maar geeft geen volledige uitbreidingsprocedure per taak of universele medialimiet voor dit model met alleen tekst. Behoud de exacte checkpointidentiteit en configuratie, controleer berekeningen en codevoorstellen aan de hand van de bron en behandel het eindproduct als een te beoordelen resultaat in plaats van als bewijs dat een volledige externe taak is voltooid.
", "aboutText": "Belangrijkste kenmerken van Qwen3.8: langdurig redeneren met tekst\n\nQwen3.8-2.4T-A95B is het open Qwen3.8-checkpoint voor redeneren met tekst. Qwen beschrijft verbeteringen voor programmeren, professioneel werk, onderzoek en agenttaken met een lange horizon, waaronder planning en het gebruik van feedback uit de omgeving. Het accepteert tekst en retourneert tekst. De maker onderscheidt het expliciet van de beheerde Qwen3.8-Max-dienst: visuele invoer en ondersteuning zonder denken zijn aanvullende functies van die dienst, geen mogelijkheden van dit exacte open checkpoint.\n\nLever voor een programmeertaak de relevante modules, de eis en invoer die het huidige gedrag zichtbaar maakt aan. Vraag om een toegelichte wijziging en een controleerbaar eindproduct. Lever voor een onderzoeks- of professioneel verslag het bewijs, vereiste paragrafen en beoordelingscriteria aan en vraag het model vervolgens onderbouwde bevindingen van aannames te onderscheiden. Dit zijn praktische toepassingen van het gedocumenteerde takengebied, geen beloften van uitgevoerde code of door experts gecertificeerde conclusies.\n\nModeloverzicht\n\nHet sparse mixture-of-experts-model heeft in totaal 2.4 biljoen parameters en activeert 95 miljard. Het heeft 92 lagen en 512 gerouteerde experts en selecteert tien gerouteerde experts samen met één gedeelde expert. De hybride blokken combineren Gated DeltaNet en gated attention met expertlagen volgens een drie-op-één-patroon. Multi-token prediction maakt deel uit van de training. Het aantal geactiveerde parameters is niet de volledige checkpointgrootte en een groot totaal aantal legt geen garantie voor responstijd vast.\n\nDe native context is 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,010,000. Dit verschilt van de standaardcontext van één miljoen tokens in de beheerde Max-referentie. Gebruik de werkelijk geconfigureerde sequentieruimte voor brontekst, gespreksgeschiedenis, redeneren en het eindantwoord, in plaats van aan te nemen dat alle grootste waarden tegelijk gelden.\n\nHet exacte denkcheckpoint gebruiken\n\nDenken is vereist voor elke interactie en kan niet worden uitgeschakeld. De gedocumenteerde uitvoer begint met een redeneerblok vóór de eindtekst. reasoning_effort ondersteunt xhigh, medium en low; xhigh is de standaard. Low vermindert de beoogde diepgang, maar blijft een denkmodus. Een verzoek om een beknopt eindantwoord kan het gewenste eindproduct sturen zonder dit model in een editie zonder denken te veranderen.\n\npreserve_thinking is standaard ingeschakeld. Het bewaren van redeneercontext uit eerdere beurten helpt een iteratieve taak de beslissingscontext mee te nemen. Houd correcties, toolresultaten en het eindantwoord gekoppeld aan de beurten die ze hebben voortgebracht. Dit model moet zijn eigen afspraken voor geschiedenis volgen, in plaats van oudere adviezen over te nemen om elk redeneerblok uit eerdere berichten te verwijderen. De exacte beschikbaarheid van instellingen voor intensiteit en behoud hangt af van de interface die de checkpointprocedure implementeert.\n\nOntwikkelhulpmiddelen en feedback uit de omgeving\n\nQwen beschrijft compatibiliteit met ontwikkelhulpmiddelen voor het aansturen van agents en tools. Een langdurige taak kan worden uitgedrukt als een doel, toegestane handelingen en bewijs voor voltooiing; de toepassing kan vervolgens waarnemingen uit inspectie of uitvoering leveren. Vraag het model uit te leggen hoe elk nieuw resultaat het plan verandert en te melden wat onopgelost blijft. Een handeling plannen en een echt resultaat ontvangen zijn verschillende onderdelen van die workflow.\n\nDe beheerde Max-voorbeelden in de modelkaart omvatten extra ingebouwde tools. Die mogen niet worden omgezet in automatisch zoeken op het web, code-uitvoering of visuele invoer voor dit open model. De nuttige rol is die van een onderdeel voor redeneren met tekst in een gekoppelde workflow; tools en externe effecten behoren tot de toepassing die ze levert.\n\nGeneratieaanbevelingen\n\nDe maker beveelt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit enigszins verlagen. Parameterondersteuning verschilt per implementatie.\n\nVoor een geconfigureerde workflow met één miljoen tokens en afzonderlijke limieten voor redeneren en eindantwoorden beveelt Qwen 262,144 tokens voor redeneren en 131,072 voor het eindantwoord aan. Dit zijn voorwaardelijke hoeveelheden, geen afzonderlijk vastgestelde harde grenzen of budgetten die samen binnen de native context van 262,144 tokens passen. Reserveer voldoende ruimte voor een volledig eindproduct en vraag om een eindresultaat dat na het redeneerproces gemakkelijk te vinden is.\n\nPraktische beperkingen\n\nDit checkpoint accepteert geen afbeeldingen, audio of video. Zet relevant bewijsmateriaal waar nodig via een afzonderlijke workflow om naar een geschikte tekstrepresentatie en behoud identificaties waarmee het antwoord kan worden gecontroleerd. De modelkaart vermeldt een uitgebreide context, maar geeft geen volledige uitbreidingsprocedure per taak of universele medialimiet voor dit model met alleen tekst. Behoud de exacte checkpointidentiteit en configuratie, controleer berekeningen en codevoorstellen aan de hand van de bron en behandel het eindproduct als een te beoordelen resultaat in plaats van als bewijs dat een volledige externe taak is voltooid.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B is Qwens sparse mixture-of-experts-model voor redeneren met tekst, met in totaal 2.4 biljoen parameters en 95 miljard geactiveerde parameters. Dit open checkpoint gebruikt altijd denken, ondersteunt instelbare redeneerinspanning en bewaart redeneercontext voor langdurige programmeer- en professionele taken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Belangrijkste kenmerken van Qwen3.8: langdurig redeneren met tekst
Qwen3.8-2.4T-A95B is het open Qwen3.8-checkpoint voor redeneren met tekst. Qwen beschrijft verbeteringen voor programmeren, professioneel werk, onderzoek en agenttaken met een lange horizon, waaronder planning en het gebruik van feedback uit de omgeving. Het accepteert tekst en retourneert tekst. De maker onderscheidt het expliciet van de beheerde Qwen3.8-Max-dienst: visuele invoer en ondersteuning zonder denken zijn aanvullende functies van die dienst, geen mogelijkheden van dit exacte open checkpoint.
Lever voor een programmeertaak de relevante modules, de eis en invoer die het huidige gedrag zichtbaar maakt aan. Vraag om een toegelichte wijziging en een controleerbaar eindproduct. Lever voor een onderzoeks- of professioneel verslag het bewijs, vereiste paragrafen en beoordelingscriteria aan en vraag het model vervolgens onderbouwde bevindingen van aannames te onderscheiden. Dit zijn praktische toepassingen van het gedocumenteerde takengebied, geen beloften van uitgevoerde code of door experts gecertificeerde conclusies.
Modeloverzicht
Het sparse mixture-of-experts-model heeft in totaal 2.4 biljoen parameters en activeert 95 miljard. Het heeft 92 lagen en 512 gerouteerde experts en selecteert tien gerouteerde experts samen met één gedeelde expert. De hybride blokken combineren Gated DeltaNet en gated attention met expertlagen volgens een drie-op-één-patroon. Multi-token prediction maakt deel uit van de training. Het aantal geactiveerde parameters is niet de volledige checkpointgrootte en een groot totaal aantal legt geen garantie voor responstijd vast.
De native context is 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,010,000. Dit verschilt van de standaardcontext van één miljoen tokens in de beheerde Max-referentie. Gebruik de werkelijk geconfigureerde sequentieruimte voor brontekst, gespreksgeschiedenis, redeneren en het eindantwoord, in plaats van aan te nemen dat alle grootste waarden tegelijk gelden.
Het exacte denkcheckpoint gebruiken
Denken is vereist voor elke interactie en kan niet worden uitgeschakeld. De gedocumenteerde uitvoer begint met een redeneerblok vóór de eindtekst. reasoning_effort ondersteunt xhigh, medium en low; xhigh is de standaard. Low vermindert de beoogde diepgang, maar blijft een denkmodus. Een verzoek om een beknopt eindantwoord kan het gewenste eindproduct sturen zonder dit model in een editie zonder denken te veranderen.
preserve_thinking is standaard ingeschakeld. Het bewaren van redeneercontext uit eerdere beurten helpt een iteratieve taak de beslissingscontext mee te nemen. Houd correcties, toolresultaten en het eindantwoord gekoppeld aan de beurten die ze hebben voortgebracht. Dit model moet zijn eigen afspraken voor geschiedenis volgen, in plaats van oudere adviezen over te nemen om elk redeneerblok uit eerdere berichten te verwijderen. De exacte beschikbaarheid van instellingen voor intensiteit en behoud hangt af van de interface die de checkpointprocedure implementeert.
Ontwikkelhulpmiddelen en feedback uit de omgeving
Qwen beschrijft compatibiliteit met ontwikkelhulpmiddelen voor het aansturen van agents en tools. Een langdurige taak kan worden uitgedrukt als een doel, toegestane handelingen en bewijs voor voltooiing; de toepassing kan vervolgens waarnemingen uit inspectie of uitvoering leveren. Vraag het model uit te leggen hoe elk nieuw resultaat het plan verandert en te melden wat onopgelost blijft. Een handeling plannen en een echt resultaat ontvangen zijn verschillende onderdelen van die workflow.
De beheerde Max-voorbeelden in de modelkaart omvatten extra ingebouwde tools. Die mogen niet worden omgezet in automatisch zoeken op het web, code-uitvoering of visuele invoer voor dit open model. De nuttige rol is die van een onderdeel voor redeneren met tekst in een gekoppelde workflow; tools en externe effecten behoren tot de toepassing die ze levert.
Generatieaanbevelingen
De maker beveelt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit enigszins verlagen. Parameterondersteuning verschilt per implementatie.
Voor een geconfigureerde workflow met één miljoen tokens en afzonderlijke limieten voor redeneren en eindantwoorden beveelt Qwen 262,144 tokens voor redeneren en 131,072 voor het eindantwoord aan. Dit zijn voorwaardelijke hoeveelheden, geen afzonderlijk vastgestelde harde grenzen of budgetten die samen binnen de native context van 262,144 tokens passen. Reserveer voldoende ruimte voor een volledig eindproduct en vraag om een eindresultaat dat na het redeneerproces gemakkelijk te vinden is.
Praktische beperkingen
Dit checkpoint accepteert geen afbeeldingen, audio of video. Zet relevant bewijsmateriaal waar nodig via een afzonderlijke workflow om naar een geschikte tekstrepresentatie en behoud identificaties waarmee het antwoord kan worden gecontroleerd. De modelkaart vermeldt een uitgebreide context, maar geeft geen volledige uitbreidingsprocedure per taak of universele medialimiet voor dit model met alleen tekst. Behoud de exacte checkpointidentiteit en configuratie, controleer berekeningen en codevoorstellen aan de hand van de bron en behandel het eindproduct als een te beoordelen resultaat in plaats van als bewijs dat een volledige externe taak is voltooid.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0005 / 1K tokens Invoer · Cache schrijven $0.005 / 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0005 / 1K tokens Invoer · Cache schrijven $0.005 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B is Qwens sparse mixture-of-experts-model voor redeneren met tekst, met in totaal 2.4 biljoen parameters en 95 miljard geactiveerde parameters. Dit open checkpoint gebruikt altijd denken, ondersteunt instelbare redeneerinspanning en bewaart redeneercontext voor langdurige programmeer- en professionele taken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Belangrijkste kenmerken van Qwen3.8: langdurig redeneren met tekst
Qwen3.8-2.4T-A95B is het open Qwen3.8-checkpoint voor redeneren met tekst. Qwen beschrijft verbeteringen voor programmeren, professioneel werk, onderzoek en agenttaken met een lange horizon, waaronder planning en het gebruik van feedback uit de omgeving. Het accepteert tekst en retourneert tekst. De maker onderscheidt het expliciet van de beheerde Qwen3.8-Max-dienst: visuele invoer en ondersteuning zonder denken zijn aanvullende functies van die dienst, geen mogelijkheden van dit exacte open checkpoint.
Lever voor een programmeertaak de relevante modules, de eis en invoer die het huidige gedrag zichtbaar maakt aan. Vraag om een toegelichte wijziging en een controleerbaar eindproduct. Lever voor een onderzoeks- of professioneel verslag het bewijs, vereiste paragrafen en beoordelingscriteria aan en vraag het model vervolgens onderbouwde bevindingen van aannames te onderscheiden. Dit zijn praktische toepassingen van het gedocumenteerde takengebied, geen beloften van uitgevoerde code of door experts gecertificeerde conclusies.
Modeloverzicht
Het sparse mixture-of-experts-model heeft in totaal 2.4 biljoen parameters en activeert 95 miljard. Het heeft 92 lagen en 512 gerouteerde experts en selecteert tien gerouteerde experts samen met één gedeelde expert. De hybride blokken combineren Gated DeltaNet en gated attention met expertlagen volgens een drie-op-één-patroon. Multi-token prediction maakt deel uit van de training. Het aantal geactiveerde parameters is niet de volledige checkpointgrootte en een groot totaal aantal legt geen garantie voor responstijd vast.
De native context is 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,010,000. Dit verschilt van de standaardcontext van één miljoen tokens in de beheerde Max-referentie. Gebruik de werkelijk geconfigureerde sequentieruimte voor brontekst, gespreksgeschiedenis, redeneren en het eindantwoord, in plaats van aan te nemen dat alle grootste waarden tegelijk gelden.
Het exacte denkcheckpoint gebruiken
Denken is vereist voor elke interactie en kan niet worden uitgeschakeld. De gedocumenteerde uitvoer begint met een redeneerblok vóór de eindtekst. reasoning_effort ondersteunt xhigh, medium en low; xhigh is de standaard. Low vermindert de beoogde diepgang, maar blijft een denkmodus. Een verzoek om een beknopt eindantwoord kan het gewenste eindproduct sturen zonder dit model in een editie zonder denken te veranderen.
preserve_thinking is standaard ingeschakeld. Het bewaren van redeneercontext uit eerdere beurten helpt een iteratieve taak de beslissingscontext mee te nemen. Houd correcties, toolresultaten en het eindantwoord gekoppeld aan de beurten die ze hebben voortgebracht. Dit model moet zijn eigen afspraken voor geschiedenis volgen, in plaats van oudere adviezen over te nemen om elk redeneerblok uit eerdere berichten te verwijderen. De exacte beschikbaarheid van instellingen voor intensiteit en behoud hangt af van de interface die de checkpointprocedure implementeert.
Ontwikkelhulpmiddelen en feedback uit de omgeving
Qwen beschrijft compatibiliteit met ontwikkelhulpmiddelen voor het aansturen van agents en tools. Een langdurige taak kan worden uitgedrukt als een doel, toegestane handelingen en bewijs voor voltooiing; de toepassing kan vervolgens waarnemingen uit inspectie of uitvoering leveren. Vraag het model uit te leggen hoe elk nieuw resultaat het plan verandert en te melden wat onopgelost blijft. Een handeling plannen en een echt resultaat ontvangen zijn verschillende onderdelen van die workflow.
De beheerde Max-voorbeelden in de modelkaart omvatten extra ingebouwde tools. Die mogen niet worden omgezet in automatisch zoeken op het web, code-uitvoering of visuele invoer voor dit open model. De nuttige rol is die van een onderdeel voor redeneren met tekst in een gekoppelde workflow; tools en externe effecten behoren tot de toepassing die ze levert.
Generatieaanbevelingen
De maker beveelt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit enigszins verlagen. Parameterondersteuning verschilt per implementatie.
Voor een geconfigureerde workflow met één miljoen tokens en afzonderlijke limieten voor redeneren en eindantwoorden beveelt Qwen 262,144 tokens voor redeneren en 131,072 voor het eindantwoord aan. Dit zijn voorwaardelijke hoeveelheden, geen afzonderlijk vastgestelde harde grenzen of budgetten die samen binnen de native context van 262,144 tokens passen. Reserveer voldoende ruimte voor een volledig eindproduct en vraag om een eindresultaat dat na het redeneerproces gemakkelijk te vinden is.
Praktische beperkingen
Dit checkpoint accepteert geen afbeeldingen, audio of video. Zet relevant bewijsmateriaal waar nodig via een afzonderlijke workflow om naar een geschikte tekstrepresentatie en behoud identificaties waarmee het antwoord kan worden gecontroleerd. De modelkaart vermeldt een uitgebreide context, maar geeft geen volledige uitbreidingsprocedure per taak of universele medialimiet voor dit model met alleen tekst. Behoud de exacte checkpointidentiteit en configuratie, controleer berekeningen en codevoorstellen aan de hand van de bron en behandel het eindproduct als een te beoordelen resultaat in plaats van als bewijs dat een volledige externe taak is voltooid.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0005 / 1K tokens Invoer · Cache schrijven $0.005 / 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0005 / 1K tokens Invoer · Cache schrijven $0.005 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.