Belangrijkste kenmerken van Qwen3.8 in een dicht visueel taalmodel
Qwen3.8-27B brengt de verbeteringen van Qwen3.8 voor programmeren, professioneel werk, onderzoek en agenttaken naar een dicht model met 27 miljard parameters. Het accepteert tekst, afbeeldingen en video en retourneert tekst. Het gedocumenteerde visuele toepassingsgebied omvat STEM-schema's, documentpagina's en video's op uurschaal. Het is een ander checkpoint dan het veel grotere Qwen3.8-2.4T-A95B met alleen tekst, dus hun invoermogelijkheden en afspraken over denken moeten gescheiden blijven.
Qwen benadrukt autonome planning, het gebruik van feedback uit de omgeving en integratie met ontwikkelhulpmiddelen voor het aansturen van agents. Lever voor een agenttaak het doel, het relevante materiaal, toegestane tools en bewijs dat voltooiing zou aantonen aan. Een model kan op basis van geretourneerde resultaten handelingen voorstellen en herzien; gekoppelde software voert die handelingen uit. Vraag om het eindproduct en onopgeloste voorwaarden, in plaats van een plan als uitgevoerd resultaat te behandelen.
Modeloverzicht
Het 27B-model heeft 64 taalmodellagen. De hybride indeling groepeert drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken. Het is getraind met multi-token prediction en bevat een vision-encoder. Deze architectuurkeuzes beschrijven het vrijgegeven model; ze betekenen niet dat elke implementatie identiek geheugengebruik of identieke latentie heeft.
De native context is 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,000,000. Tekst, visuele representatie, gespreksgeschiedenis, denken en einduitvoer delen het geconfigureerde sequentiebudget. De maker bespreekt afzonderlijk een beheerde editie met aanvullende functies; die functies mogen niet automatisch aan het open checkpoint worden toegekend.
Tekst, afbeeldingen en video gebruiken
Lever voor een codetaak de relevante functie of module, foutveroorzakende invoer en het verwachte gedrag aan en vraag vervolgens om een patch met de betrokken aannames en controles. Behoud voor een schema de labels en geef de volledige vraag. Vraag voor een document om benoemde velden of conclusies met paginaverwijzingen. Benoem voor video de relevante gebeurtenis en behoud de timing.
Het videovoorbeeld van de maker gebruikt standaard twee frames per seconde in de ondersteunde bedieningsworkflow, met optionele instellingen voor bemonstering. Een globale scènesamenvatting en een korte gebeurtenis kunnen verschillende bemonstering vereisen. De richtlijnen voor lange video bevelen aan het budget van de videoprocessor uit te breiden om bemonstering met een hogere frequentie voor materiaal op uurschaal te ondersteunen, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Dit vereist configuratie en concurreert met andere contextinhoud; het is geen universele garantie voor fragmentduur.
Denken en historische redeneercontext
Denken is standaard ingeschakeld en kan per verzoek worden uitgeschakeld via de instelling enable_thinking van de maker. reasoning_effort ondersteunt xhigh, medium en low, met xhigh als standaard. Een lagere intensiteit kan een afzonderlijke beurt verkorten, maar Qwen waarschuwt dat onvoldoende analyse bij agenttaken tot fouten en herhaald werk kan leiden, waardoor de totale voltooiingstijd toeneemt.
preserve_thinking is standaard ingeschakeld en bewaart redeneerblokken uit historische berichten voor continuïteit. Uitschakelen behoudt alleen de denkblokken die tijdens de afhandeling van het nieuwste gebruikersbericht zijn gegenereerd. Dit verschilt van oudere Qwen-richtlijnen die historische redeneercontext volledig verwijderen. Houd redeneren en eindinhoud gescheiden in de interface en behoud de exacte gespreksindeling die het checkpoint verwacht. Instellingen van de maker bepalen niet welke parameters een andere toepassing beschikbaar stelt.
Generatierichtlijnen
Voor denken beveelt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Voor directe antwoorden beveelt het respectievelijk 0.7, 0.8, 20, 0, 1.5 en 1.0 aan. Een hogere presence penalty kan herhaling verminderen, maar ook talen mengen of de kwaliteit enigszins verlagen.
Binnen een geconfigureerde workflow met één miljoen tokens die afzonderlijke limieten ondersteunt, beveelt de maker ruimte van 262,144 tokens voor redeneren en 131,072 voor het eindantwoord aan. Dit zijn voorwaardelijke budgetaanbevelingen, geen onafhankelijke harde uitvoergrenzen of hoeveelheden die tegelijk binnen de native context passen.
Ultralange context en beperkingen
De gedocumenteerde uitbreiding gebruikt YaRN met de eigen verweven positie-instellingen van het model. Een factor vier is gericht op de workflow met één miljoen tokens; voor een werklast rond 524,288 tokens stelt de maker een factor twee voor. Statische schaling kan de kwaliteit bij kortere tekst beïnvloeden, dus Qwen adviseert die in te schakelen wanneer de langere context nodig is. Neem geen extrapolatiefactor van een andere Qwen-VL-editie over zonder de eigen procedure te volgen.
Orden lange invoer op document, pagina of code-identificatie en vraag om een controleerbaar resultaat. Controleer berekeningen, kleine visuele labels en gegenereerde patches aan de hand van de bron. Lange context, bewaarde redeneercontext en grotere videobudgetten helpen meer bewijs door een taak heen mee te nemen; ze bewijzen op zichzelf geen volledige herinnering, correct redeneren of een voltooide externe handeling.
", "aboutText": "Belangrijkste kenmerken van Qwen3.8 in een dicht visueel taalmodel\n\nQwen3.8-27B brengt de verbeteringen van Qwen3.8 voor programmeren, professioneel werk, onderzoek en agenttaken naar een dicht model met 27 miljard parameters. Het accepteert tekst, afbeeldingen en video en retourneert tekst. Het gedocumenteerde visuele toepassingsgebied omvat STEM-schema's, documentpagina's en video's op uurschaal. Het is een ander checkpoint dan het veel grotere Qwen3.8-2.4T-A95B met alleen tekst, dus hun invoermogelijkheden en afspraken over denken moeten gescheiden blijven.\n\nQwen benadrukt autonome planning, het gebruik van feedback uit de omgeving en integratie met ontwikkelhulpmiddelen voor het aansturen van agents. Lever voor een agenttaak het doel, het relevante materiaal, toegestane tools en bewijs dat voltooiing zou aantonen aan. Een model kan op basis van geretourneerde resultaten handelingen voorstellen en herzien; gekoppelde software voert die handelingen uit. Vraag om het eindproduct en onopgeloste voorwaarden, in plaats van een plan als uitgevoerd resultaat te behandelen.\n\nModeloverzicht\n\nHet 27B-model heeft 64 taalmodellagen. De hybride indeling groepeert drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken. Het is getraind met multi-token prediction en bevat een vision-encoder. Deze architectuurkeuzes beschrijven het vrijgegeven model; ze betekenen niet dat elke implementatie identiek geheugengebruik of identieke latentie heeft.\n\nDe native context is 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,000,000. Tekst, visuele representatie, gespreksgeschiedenis, denken en einduitvoer delen het geconfigureerde sequentiebudget. De maker bespreekt afzonderlijk een beheerde editie met aanvullende functies; die functies mogen niet automatisch aan het open checkpoint worden toegekend.\n\nTekst, afbeeldingen en video gebruiken\n\nLever voor een codetaak de relevante functie of module, foutveroorzakende invoer en het verwachte gedrag aan en vraag vervolgens om een patch met de betrokken aannames en controles. Behoud voor een schema de labels en geef de volledige vraag. Vraag voor een document om benoemde velden of conclusies met paginaverwijzingen. Benoem voor video de relevante gebeurtenis en behoud de timing.\n\nHet videovoorbeeld van de maker gebruikt standaard twee frames per seconde in de ondersteunde bedieningsworkflow, met optionele instellingen voor bemonstering. Een globale scènesamenvatting en een korte gebeurtenis kunnen verschillende bemonstering vereisen. De richtlijnen voor lange video bevelen aan het budget van de videoprocessor uit te breiden om bemonstering met een hogere frequentie voor materiaal op uurschaal te ondersteunen, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Dit vereist configuratie en concurreert met andere contextinhoud; het is geen universele garantie voor fragmentduur.\n\nDenken en historische redeneercontext\n\nDenken is standaard ingeschakeld en kan per verzoek worden uitgeschakeld via de instelling enable_thinking van de maker. reasoning_effort ondersteunt xhigh, medium en low, met xhigh als standaard. Een lagere intensiteit kan een afzonderlijke beurt verkorten, maar Qwen waarschuwt dat onvoldoende analyse bij agenttaken tot fouten en herhaald werk kan leiden, waardoor de totale voltooiingstijd toeneemt.\n\npreserve_thinking is standaard ingeschakeld en bewaart redeneerblokken uit historische berichten voor continuïteit. Uitschakelen behoudt alleen de denkblokken die tijdens de afhandeling van het nieuwste gebruikersbericht zijn gegenereerd. Dit verschilt van oudere Qwen-richtlijnen die historische redeneercontext volledig verwijderen. Houd redeneren en eindinhoud gescheiden in de interface en behoud de exacte gespreksindeling die het checkpoint verwacht. Instellingen van de maker bepalen niet welke parameters een andere toepassing beschikbaar stelt.\n\nGeneratierichtlijnen\n\nVoor denken beveelt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Voor directe antwoorden beveelt het respectievelijk 0.7, 0.8, 20, 0, 1.5 en 1.0 aan. Een hogere presence penalty kan herhaling verminderen, maar ook talen mengen of de kwaliteit enigszins verlagen.\n\nBinnen een geconfigureerde workflow met één miljoen tokens die afzonderlijke limieten ondersteunt, beveelt de maker ruimte van 262,144 tokens voor redeneren en 131,072 voor het eindantwoord aan. Dit zijn voorwaardelijke budgetaanbevelingen, geen onafhankelijke harde uitvoergrenzen of hoeveelheden die tegelijk binnen de native context passen.\n\nUltralange context en beperkingen\n\nDe gedocumenteerde uitbreiding gebruikt YaRN met de eigen verweven positie-instellingen van het model. Een factor vier is gericht op de workflow met één miljoen tokens; voor een werklast rond 524,288 tokens stelt de maker een factor twee voor. Statische schaling kan de kwaliteit bij kortere tekst beïnvloeden, dus Qwen adviseert die in te schakelen wanneer de langere context nodig is. Neem geen extrapolatiefactor van een andere Qwen-VL-editie over zonder de eigen procedure te volgen.\n\nOrden lange invoer op document, pagina of code-identificatie en vraag om een controleerbaar resultaat. Controleer berekeningen, kleine visuele labels en gegenereerde patches aan de hand van de bron. Lange context, bewaarde redeneercontext en grotere videobudgetten helpen meer bewijs door een taak heen mee te nemen; ze bewijzen op zichzelf geen volledige herinnering, correct redeneren of een voltooide externe handeling.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B is Qwens dichte visuele taalmodel voor tekst, afbeeldingen en video, met tekst als uitvoer. Het combineert programmeren en agentwerk met veel stappen met instelbaar denken, behoud van redeneercontext en een native context van 262,144 tokens, die via configuratie tot één miljoen kan worden uitgebreid.
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 in een dicht visueel taalmodel
Qwen3.8-27B brengt de verbeteringen van Qwen3.8 voor programmeren, professioneel werk, onderzoek en agenttaken naar een dicht model met 27 miljard parameters. Het accepteert tekst, afbeeldingen en video en retourneert tekst. Het gedocumenteerde visuele toepassingsgebied omvat STEM-schema's, documentpagina's en video's op uurschaal. Het is een ander checkpoint dan het veel grotere Qwen3.8-2.4T-A95B met alleen tekst, dus hun invoermogelijkheden en afspraken over denken moeten gescheiden blijven.
Qwen benadrukt autonome planning, het gebruik van feedback uit de omgeving en integratie met ontwikkelhulpmiddelen voor het aansturen van agents. Lever voor een agenttaak het doel, het relevante materiaal, toegestane tools en bewijs dat voltooiing zou aantonen aan. Een model kan op basis van geretourneerde resultaten handelingen voorstellen en herzien; gekoppelde software voert die handelingen uit. Vraag om het eindproduct en onopgeloste voorwaarden, in plaats van een plan als uitgevoerd resultaat te behandelen.
Modeloverzicht
Het 27B-model heeft 64 taalmodellagen. De hybride indeling groepeert drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken. Het is getraind met multi-token prediction en bevat een vision-encoder. Deze architectuurkeuzes beschrijven het vrijgegeven model; ze betekenen niet dat elke implementatie identiek geheugengebruik of identieke latentie heeft.
De native context is 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,000,000. Tekst, visuele representatie, gespreksgeschiedenis, denken en einduitvoer delen het geconfigureerde sequentiebudget. De maker bespreekt afzonderlijk een beheerde editie met aanvullende functies; die functies mogen niet automatisch aan het open checkpoint worden toegekend.
Tekst, afbeeldingen en video gebruiken
Lever voor een codetaak de relevante functie of module, foutveroorzakende invoer en het verwachte gedrag aan en vraag vervolgens om een patch met de betrokken aannames en controles. Behoud voor een schema de labels en geef de volledige vraag. Vraag voor een document om benoemde velden of conclusies met paginaverwijzingen. Benoem voor video de relevante gebeurtenis en behoud de timing.
Het videovoorbeeld van de maker gebruikt standaard twee frames per seconde in de ondersteunde bedieningsworkflow, met optionele instellingen voor bemonstering. Een globale scènesamenvatting en een korte gebeurtenis kunnen verschillende bemonstering vereisen. De richtlijnen voor lange video bevelen aan het budget van de videoprocessor uit te breiden om bemonstering met een hogere frequentie voor materiaal op uurschaal te ondersteunen, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Dit vereist configuratie en concurreert met andere contextinhoud; het is geen universele garantie voor fragmentduur.
Denken en historische redeneercontext
Denken is standaard ingeschakeld en kan per verzoek worden uitgeschakeld via de instelling enable_thinking van de maker. reasoning_effort ondersteunt xhigh, medium en low, met xhigh als standaard. Een lagere intensiteit kan een afzonderlijke beurt verkorten, maar Qwen waarschuwt dat onvoldoende analyse bij agenttaken tot fouten en herhaald werk kan leiden, waardoor de totale voltooiingstijd toeneemt.
preserve_thinking is standaard ingeschakeld en bewaart redeneerblokken uit historische berichten voor continuïteit. Uitschakelen behoudt alleen de denkblokken die tijdens de afhandeling van het nieuwste gebruikersbericht zijn gegenereerd. Dit verschilt van oudere Qwen-richtlijnen die historische redeneercontext volledig verwijderen. Houd redeneren en eindinhoud gescheiden in de interface en behoud de exacte gespreksindeling die het checkpoint verwacht. Instellingen van de maker bepalen niet welke parameters een andere toepassing beschikbaar stelt.
Generatierichtlijnen
Voor denken beveelt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Voor directe antwoorden beveelt het respectievelijk 0.7, 0.8, 20, 0, 1.5 en 1.0 aan. Een hogere presence penalty kan herhaling verminderen, maar ook talen mengen of de kwaliteit enigszins verlagen.
Binnen een geconfigureerde workflow met één miljoen tokens die afzonderlijke limieten ondersteunt, beveelt de maker ruimte van 262,144 tokens voor redeneren en 131,072 voor het eindantwoord aan. Dit zijn voorwaardelijke budgetaanbevelingen, geen onafhankelijke harde uitvoergrenzen of hoeveelheden die tegelijk binnen de native context passen.
Ultralange context en beperkingen
De gedocumenteerde uitbreiding gebruikt YaRN met de eigen verweven positie-instellingen van het model. Een factor vier is gericht op de workflow met één miljoen tokens; voor een werklast rond 524,288 tokens stelt de maker een factor twee voor. Statische schaling kan de kwaliteit bij kortere tekst beïnvloeden, dus Qwen adviseert die in te schakelen wanneer de langere context nodig is. Neem geen extrapolatiefactor van een andere Qwen-VL-editie over zonder de eigen procedure te volgen.
Orden lange invoer op document, pagina of code-identificatie en vraag om een controleerbaar resultaat. Controleer berekeningen, kleine visuele labels en gegenereerde patches aan de hand van de bron. Lange context, bewaarde redeneercontext en grotere videobudgetten helpen meer bewijs door een taak heen mee te nemen; ze bewijzen op zichzelf geen volledige herinnering, correct redeneren of een voltooide externe handeling.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.8-27b | 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 $0.00085 / 1K tokens Uitvoer · Uitvoertokens $0.0051 / 1K tokens Invoer · Cache lezen $0.00017 / 1K tokens Invoer · Cache schrijven $0.0010625 / 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 $0.00085 / 1K tokens Uitvoer · Uitvoertokens $0.0051 / 1K tokens Invoer · Cache lezen $0.00017 / 1K tokens Invoer · Cache schrijven $0.0010625 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.8-27bQwen3.8-27B is Qwens dichte visuele taalmodel voor tekst, afbeeldingen en video, met tekst als uitvoer. Het combineert programmeren en agentwerk met veel stappen met instelbaar denken, behoud van redeneercontext en een native context van 262,144 tokens, die via configuratie tot één miljoen kan worden uitgebreid.
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 in een dicht visueel taalmodel
Qwen3.8-27B brengt de verbeteringen van Qwen3.8 voor programmeren, professioneel werk, onderzoek en agenttaken naar een dicht model met 27 miljard parameters. Het accepteert tekst, afbeeldingen en video en retourneert tekst. Het gedocumenteerde visuele toepassingsgebied omvat STEM-schema's, documentpagina's en video's op uurschaal. Het is een ander checkpoint dan het veel grotere Qwen3.8-2.4T-A95B met alleen tekst, dus hun invoermogelijkheden en afspraken over denken moeten gescheiden blijven.
Qwen benadrukt autonome planning, het gebruik van feedback uit de omgeving en integratie met ontwikkelhulpmiddelen voor het aansturen van agents. Lever voor een agenttaak het doel, het relevante materiaal, toegestane tools en bewijs dat voltooiing zou aantonen aan. Een model kan op basis van geretourneerde resultaten handelingen voorstellen en herzien; gekoppelde software voert die handelingen uit. Vraag om het eindproduct en onopgeloste voorwaarden, in plaats van een plan als uitgevoerd resultaat te behandelen.
Modeloverzicht
Het 27B-model heeft 64 taalmodellagen. De hybride indeling groepeert drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken. Het is getraind met multi-token prediction en bevat een vision-encoder. Deze architectuurkeuzes beschrijven het vrijgegeven model; ze betekenen niet dat elke implementatie identiek geheugengebruik of identieke latentie heeft.
De native context is 262,144 tokens, met een gedocumenteerde uitbreiding tot 1,000,000. Tekst, visuele representatie, gespreksgeschiedenis, denken en einduitvoer delen het geconfigureerde sequentiebudget. De maker bespreekt afzonderlijk een beheerde editie met aanvullende functies; die functies mogen niet automatisch aan het open checkpoint worden toegekend.
Tekst, afbeeldingen en video gebruiken
Lever voor een codetaak de relevante functie of module, foutveroorzakende invoer en het verwachte gedrag aan en vraag vervolgens om een patch met de betrokken aannames en controles. Behoud voor een schema de labels en geef de volledige vraag. Vraag voor een document om benoemde velden of conclusies met paginaverwijzingen. Benoem voor video de relevante gebeurtenis en behoud de timing.
Het videovoorbeeld van de maker gebruikt standaard twee frames per seconde in de ondersteunde bedieningsworkflow, met optionele instellingen voor bemonstering. Een globale scènesamenvatting en een korte gebeurtenis kunnen verschillende bemonstering vereisen. De richtlijnen voor lange video bevelen aan het budget van de videoprocessor uit te breiden om bemonstering met een hogere frequentie voor materiaal op uurschaal te ondersteunen, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Dit vereist configuratie en concurreert met andere contextinhoud; het is geen universele garantie voor fragmentduur.
Denken en historische redeneercontext
Denken is standaard ingeschakeld en kan per verzoek worden uitgeschakeld via de instelling enable_thinking van de maker. reasoning_effort ondersteunt xhigh, medium en low, met xhigh als standaard. Een lagere intensiteit kan een afzonderlijke beurt verkorten, maar Qwen waarschuwt dat onvoldoende analyse bij agenttaken tot fouten en herhaald werk kan leiden, waardoor de totale voltooiingstijd toeneemt.
preserve_thinking is standaard ingeschakeld en bewaart redeneerblokken uit historische berichten voor continuïteit. Uitschakelen behoudt alleen de denkblokken die tijdens de afhandeling van het nieuwste gebruikersbericht zijn gegenereerd. Dit verschilt van oudere Qwen-richtlijnen die historische redeneercontext volledig verwijderen. Houd redeneren en eindinhoud gescheiden in de interface en behoud de exacte gespreksindeling die het checkpoint verwacht. Instellingen van de maker bepalen niet welke parameters een andere toepassing beschikbaar stelt.
Generatierichtlijnen
Voor denken beveelt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan. Voor directe antwoorden beveelt het respectievelijk 0.7, 0.8, 20, 0, 1.5 en 1.0 aan. Een hogere presence penalty kan herhaling verminderen, maar ook talen mengen of de kwaliteit enigszins verlagen.
Binnen een geconfigureerde workflow met één miljoen tokens die afzonderlijke limieten ondersteunt, beveelt de maker ruimte van 262,144 tokens voor redeneren en 131,072 voor het eindantwoord aan. Dit zijn voorwaardelijke budgetaanbevelingen, geen onafhankelijke harde uitvoergrenzen of hoeveelheden die tegelijk binnen de native context passen.
Ultralange context en beperkingen
De gedocumenteerde uitbreiding gebruikt YaRN met de eigen verweven positie-instellingen van het model. Een factor vier is gericht op de workflow met één miljoen tokens; voor een werklast rond 524,288 tokens stelt de maker een factor twee voor. Statische schaling kan de kwaliteit bij kortere tekst beïnvloeden, dus Qwen adviseert die in te schakelen wanneer de langere context nodig is. Neem geen extrapolatiefactor van een andere Qwen-VL-editie over zonder de eigen procedure te volgen.
Orden lange invoer op document, pagina of code-identificatie en vraag om een controleerbaar resultaat. Controleer berekeningen, kleine visuele labels en gegenereerde patches aan de hand van de bron. Lange context, bewaarde redeneercontext en grotere videobudgetten helpen meer bewijs door een taak heen mee te nemen; ze bewijzen op zichzelf geen volledige herinnering, correct redeneren of een voltooide externe handeling.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.8-27b | 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 $0.00085 / 1K tokens Uitvoer · Uitvoertokens $0.0051 / 1K tokens Invoer · Cache lezen $0.00017 / 1K tokens Invoer · Cache schrijven $0.0010625 / 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 $0.00085 / 1K tokens Uitvoer · Uitvoertokens $0.0051 / 1K tokens Invoer · Cache lezen $0.00017 / 1K tokens Invoer · Cache schrijven $0.0010625 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.