Hoogtepunten: een model gebouwd voor programmeeragents
Qwen3-Coder-Next is een open tekstmodel dat speciaal is ontworpen voor programmeeragents en ontwikkelworkflows. Qwen beschrijft probleemoplossing over een lange reeks stappen, complex toolgebruik en herstel na uitvoeringsfouten, samen met aanpasbaarheid aan verschillende ontwikkelstructuren. Het accepteert tekst en produceert tekst, waaronder code, uitleg en toolverzoeken. Dit exacte Coder-Next-checkpoint heeft een eigen non-thinking-contract; de Thinking-edities van de bredere Next-familie mogen het niet vervangen.
Geef voor een ontwikkeltaak de relevante bestanden of fragmenten, het gewenste gedrag en de invoer die een probleem laat zien. Vraag om een bewerkbare wijziging en een uitleg gekoppeld aan die voorwaarden. Definieer voor een taak met meerdere stappen het doel, toegestane tools en waarnemingen die voltooiing zouden aantonen. Beoordeel de voorgestelde codewijziging en uitleg aan de hand van de aangeleverde bestanden, falende invoer en voltooiingscriteria.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. De hybride indeling met 48 lagen herhaalt drie Gated DeltaNet-expertlagen gevolgd door één gated-attention-expertlaag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert. Het kleine aantal geactiveerde parameters is een rekenkenmerk van het sparse model, niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens. De voorbeelden van de maker laten een kleinere context toe, zoals 32.768, wanneer geheugenbeperkingen verhinderen dat de grotere configuratie werkt. Broncode, geschiedenis, toolwaarnemingen en gegenereerde tekst moeten binnen de ingestelde sequentieruimte passen. De modelkaart stelt geen standaarduitbreiding tot één miljoen tokens voor dit checkpoint vast.
De non-thinking-tekstinterface gebruiken
Coder-Next ondersteunt alleen de non-thinking-modus en genereert geen expliciete thinking-blokken. Het instellen van enable_thinking=False is in het voorbeeld van de maker niet nodig. Het kan nog steeds een patch uitleggen, een algoritme bespreken of in gewone tekst redeneren; non-thinking beschrijft de uitvoermodus en verbiedt geen uitleg.
De snelstart vraagt om een sorteeralgoritme en gebruikt een generatiebudget van 65.536 tokens. Die waarde is een voorbeeldbudget, geen afzonderlijk gepubliceerde harde uitvoergrens. Geef het formaat en de beperkingen van het resultaat aan: de taal, relevante interfaces, het vereiste gedrag en of het antwoord een patch, complete functie of uitleg moet bevatten. Houd het bewerkbare resultaat gescheiden van het commentaar, zodat het gemakkelijk te beoordelen is.
Ontwikkelstructuren en context
De maker benadrukt compatibiliteit met agentstructuren in CLI- en IDE-stijl, waaronder Qwen Code. Zo’n structuur levert de projectstatus, tooldefinities, waarnemingen en het gespreksformaat. Behoud die invoer consistent gedurende een meerstapstaak. Geeft een tool een falende controle aan, lever dan de echte fout en relevante gewijzigde code in plaats van het model alleen te vertellen dat het opnieuw moet proberen.
Werk over een lange reeks stappen heeft baat bij een zichtbare taakstatus: wat is waargenomen, welke wijziging wordt voorgesteld en welke voorwaarde is nog niet opgelost. Een toolwaarneming is iets anders dan een claim in gegenereerde tekst. Het vermogen van het model om na fouten te herstellen mag niet worden beschouwd als automatische toestemming om commando’s uit te voeren of als garantie dat ieder herstel slaagt.
Programmeren met agents en toolaanroepen
Qwen documenteert tooldefinities in functiestijl met namen, beschrijvingen, invoerschema’s en verplichte velden. Geef een precieze definitie en de verwachte betekenis van de retourwaarde. De toepassing voert een geselecteerde tool uit en geeft het resultaat terug; het model gebruikt dat resultaat vervolgens in de volgende stap. Toolaanroepen geven op zichzelf geen toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Beperk voor een agent die een repository bewerkt de toegestane bestanden en het gevraagde resultaat. Een nuttig eindrapport kan de betrokken modules identificeren, de wijziging uitleggen en echte resultaten van aangesloten controles vermelden. Houd voorgestelde commando’s, gegenereerde code en voltooide handelingen onderscheiden. Dit zijn praktische workflowvoorbeelden binnen het gedocumenteerde ontwikkel- en toolbereik.
Generatieaanbevelingen
De maker adviseert temperature 1,0, top_p 0,95 en top_k 40. Deze exacte instellingen verschillen van die van diverse Qwen-gespreksmodellen en zouden onderdeel moeten blijven van de eigen aanpak van Coder-Next. De gepubliceerde configuratie gebruikt een Qwen3-Next-architectuur voor causale taalmodellen. Gebruik de gedocumenteerde modelnaam en chattemplate van dit checkpoint consistent gedurende de programmeerworkflow.
Wezenlijke beperkingen
De gedocumenteerde invoer is tekst, dus screenshots, audio of video hebben vóór deze programmeerworkflow een passende afzonderlijke weergave nodig. De native context en voorbeeldbudgetten voor generatie zijn eindig; verkort niet-relevante code en reserveer ruimte voor het gevraagde resultaat. Controleer gegenereerde syntaxis, interfaces, randgevallen en voorgestelde wijzigingen in de echte ontwikkelworkflow. De bruikbare uitvoer is een inspecteerbaar code- of uitlegproduct onderbouwd met echte taakinformatie, met behoud van de uitsluitend tekstverwerkende en non-thinking-identiteit van dit checkpoint.
", "aboutText": "Hoogtepunten: een model gebouwd voor programmeeragents\n\nQwen3-Coder-Next is een open tekstmodel dat speciaal is ontworpen voor programmeeragents en ontwikkelworkflows. Qwen beschrijft probleemoplossing over een lange reeks stappen, complex toolgebruik en herstel na uitvoeringsfouten, samen met aanpasbaarheid aan verschillende ontwikkelstructuren. Het accepteert tekst en produceert tekst, waaronder code, uitleg en toolverzoeken. Dit exacte Coder-Next-checkpoint heeft een eigen non-thinking-contract; de Thinking-edities van de bredere Next-familie mogen het niet vervangen.\n\nGeef voor een ontwikkeltaak de relevante bestanden of fragmenten, het gewenste gedrag en de invoer die een probleem laat zien. Vraag om een bewerkbare wijziging en een uitleg gekoppeld aan die voorwaarden. Definieer voor een taak met meerdere stappen het doel, toegestane tools en waarnemingen die voltooiing zouden aantonen. Beoordeel de voorgestelde codewijziging en uitleg aan de hand van de aangeleverde bestanden, falende invoer en voltooiingscriteria.\n\nModeloverzicht\n\nHet model heeft in totaal 80 miljard parameters en activeert er drie miljard. De hybride indeling met 48 lagen herhaalt drie Gated DeltaNet-expertlagen gevolgd door één gated-attention-expertlaag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert. Het kleine aantal geactiveerde parameters is een rekenkenmerk van het sparse model, niet de omvang van het volledige checkpoint.\n\nDe native context is 262.144 tokens. De voorbeelden van de maker laten een kleinere context toe, zoals 32.768, wanneer geheugenbeperkingen verhinderen dat de grotere configuratie werkt. Broncode, geschiedenis, toolwaarnemingen en gegenereerde tekst moeten binnen de ingestelde sequentieruimte passen. De modelkaart stelt geen standaarduitbreiding tot één miljoen tokens voor dit checkpoint vast.\n\nDe non-thinking-tekstinterface gebruiken\n\nCoder-Next ondersteunt alleen de non-thinking-modus en genereert geen expliciete thinking-blokken. Het instellen van enable_thinking=False is in het voorbeeld van de maker niet nodig. Het kan nog steeds een patch uitleggen, een algoritme bespreken of in gewone tekst redeneren; non-thinking beschrijft de uitvoermodus en verbiedt geen uitleg.\n\nDe snelstart vraagt om een sorteeralgoritme en gebruikt een generatiebudget van 65.536 tokens. Die waarde is een voorbeeldbudget, geen afzonderlijk gepubliceerde harde uitvoergrens. Geef het formaat en de beperkingen van het resultaat aan: de taal, relevante interfaces, het vereiste gedrag en of het antwoord een patch, complete functie of uitleg moet bevatten. Houd het bewerkbare resultaat gescheiden van het commentaar, zodat het gemakkelijk te beoordelen is.\n\nOntwikkelstructuren en context\n\nDe maker benadrukt compatibiliteit met agentstructuren in CLI- en IDE-stijl, waaronder Qwen Code. Zo’n structuur levert de projectstatus, tooldefinities, waarnemingen en het gespreksformaat. Behoud die invoer consistent gedurende een meerstapstaak. Geeft een tool een falende controle aan, lever dan de echte fout en relevante gewijzigde code in plaats van het model alleen te vertellen dat het opnieuw moet proberen.\n\nWerk over een lange reeks stappen heeft baat bij een zichtbare taakstatus: wat is waargenomen, welke wijziging wordt voorgesteld en welke voorwaarde is nog niet opgelost. Een toolwaarneming is iets anders dan een claim in gegenereerde tekst. Het vermogen van het model om na fouten te herstellen mag niet worden beschouwd als automatische toestemming om commando’s uit te voeren of als garantie dat ieder herstel slaagt.\n\nProgrammeren met agents en toolaanroepen\n\nQwen documenteert tooldefinities in functiestijl met namen, beschrijvingen, invoerschema’s en verplichte velden. Geef een precieze definitie en de verwachte betekenis van de retourwaarde. De toepassing voert een geselecteerde tool uit en geeft het resultaat terug; het model gebruikt dat resultaat vervolgens in de volgende stap. Toolaanroepen geven op zichzelf geen toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.\n\nBeperk voor een agent die een repository bewerkt de toegestane bestanden en het gevraagde resultaat. Een nuttig eindrapport kan de betrokken modules identificeren, de wijziging uitleggen en echte resultaten van aangesloten controles vermelden. Houd voorgestelde commando’s, gegenereerde code en voltooide handelingen onderscheiden. Dit zijn praktische workflowvoorbeelden binnen het gedocumenteerde ontwikkel- en toolbereik.\n\nGeneratieaanbevelingen\n\nDe maker adviseert temperature 1,0, top_p 0,95 en top_k 40. Deze exacte instellingen verschillen van die van diverse Qwen-gespreksmodellen en zouden onderdeel moeten blijven van de eigen aanpak van Coder-Next. De gepubliceerde configuratie gebruikt een Qwen3-Next-architectuur voor causale taalmodellen. Gebruik de gedocumenteerde modelnaam en chattemplate van dit checkpoint consistent gedurende de programmeerworkflow.\n\nWezenlijke beperkingen\n\nDe gedocumenteerde invoer is tekst, dus screenshots, audio of video hebben vóór deze programmeerworkflow een passende afzonderlijke weergave nodig. De native context en voorbeeldbudgetten voor generatie zijn eindig; verkort niet-relevante code en reserveer ruimte voor het gevraagde resultaat. Controleer gegenereerde syntaxis, interfaces, randgevallen en voorgestelde wijzigingen in de echte ontwikkelworkflow. De bruikbare uitvoer is een inspecteerbaar code- of uitlegproduct onderbouwd met echte taakinformatie, met behoud van de uitsluitend tekstverwerkende en non-thinking-identiteit van dit checkpoint.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next is Qwens programmeeragentmodel dat alleen tekst verwerkt, met in totaal 80 miljard en 3 miljard geactiveerde parameters. Het gebruikt non-thinking-uitvoer, een native context van 262.144 tokens en toolaanroepen voor ontwikkelworkflows, waaronder meerstapswerk en herstel op basis van uitvoeringsfeedback.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoogtepunten: een model gebouwd voor programmeeragents
Qwen3-Coder-Next is een open tekstmodel dat speciaal is ontworpen voor programmeeragents en ontwikkelworkflows. Qwen beschrijft probleemoplossing over een lange reeks stappen, complex toolgebruik en herstel na uitvoeringsfouten, samen met aanpasbaarheid aan verschillende ontwikkelstructuren. Het accepteert tekst en produceert tekst, waaronder code, uitleg en toolverzoeken. Dit exacte Coder-Next-checkpoint heeft een eigen non-thinking-contract; de Thinking-edities van de bredere Next-familie mogen het niet vervangen.
Geef voor een ontwikkeltaak de relevante bestanden of fragmenten, het gewenste gedrag en de invoer die een probleem laat zien. Vraag om een bewerkbare wijziging en een uitleg gekoppeld aan die voorwaarden. Definieer voor een taak met meerdere stappen het doel, toegestane tools en waarnemingen die voltooiing zouden aantonen. Beoordeel de voorgestelde codewijziging en uitleg aan de hand van de aangeleverde bestanden, falende invoer en voltooiingscriteria.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. De hybride indeling met 48 lagen herhaalt drie Gated DeltaNet-expertlagen gevolgd door één gated-attention-expertlaag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert. Het kleine aantal geactiveerde parameters is een rekenkenmerk van het sparse model, niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens. De voorbeelden van de maker laten een kleinere context toe, zoals 32.768, wanneer geheugenbeperkingen verhinderen dat de grotere configuratie werkt. Broncode, geschiedenis, toolwaarnemingen en gegenereerde tekst moeten binnen de ingestelde sequentieruimte passen. De modelkaart stelt geen standaarduitbreiding tot één miljoen tokens voor dit checkpoint vast.
De non-thinking-tekstinterface gebruiken
Coder-Next ondersteunt alleen de non-thinking-modus en genereert geen expliciete thinking-blokken. Het instellen van enable_thinking=False is in het voorbeeld van de maker niet nodig. Het kan nog steeds een patch uitleggen, een algoritme bespreken of in gewone tekst redeneren; non-thinking beschrijft de uitvoermodus en verbiedt geen uitleg.
De snelstart vraagt om een sorteeralgoritme en gebruikt een generatiebudget van 65.536 tokens. Die waarde is een voorbeeldbudget, geen afzonderlijk gepubliceerde harde uitvoergrens. Geef het formaat en de beperkingen van het resultaat aan: de taal, relevante interfaces, het vereiste gedrag en of het antwoord een patch, complete functie of uitleg moet bevatten. Houd het bewerkbare resultaat gescheiden van het commentaar, zodat het gemakkelijk te beoordelen is.
Ontwikkelstructuren en context
De maker benadrukt compatibiliteit met agentstructuren in CLI- en IDE-stijl, waaronder Qwen Code. Zo’n structuur levert de projectstatus, tooldefinities, waarnemingen en het gespreksformaat. Behoud die invoer consistent gedurende een meerstapstaak. Geeft een tool een falende controle aan, lever dan de echte fout en relevante gewijzigde code in plaats van het model alleen te vertellen dat het opnieuw moet proberen.
Werk over een lange reeks stappen heeft baat bij een zichtbare taakstatus: wat is waargenomen, welke wijziging wordt voorgesteld en welke voorwaarde is nog niet opgelost. Een toolwaarneming is iets anders dan een claim in gegenereerde tekst. Het vermogen van het model om na fouten te herstellen mag niet worden beschouwd als automatische toestemming om commando’s uit te voeren of als garantie dat ieder herstel slaagt.
Programmeren met agents en toolaanroepen
Qwen documenteert tooldefinities in functiestijl met namen, beschrijvingen, invoerschema’s en verplichte velden. Geef een precieze definitie en de verwachte betekenis van de retourwaarde. De toepassing voert een geselecteerde tool uit en geeft het resultaat terug; het model gebruikt dat resultaat vervolgens in de volgende stap. Toolaanroepen geven op zichzelf geen toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Beperk voor een agent die een repository bewerkt de toegestane bestanden en het gevraagde resultaat. Een nuttig eindrapport kan de betrokken modules identificeren, de wijziging uitleggen en echte resultaten van aangesloten controles vermelden. Houd voorgestelde commando’s, gegenereerde code en voltooide handelingen onderscheiden. Dit zijn praktische workflowvoorbeelden binnen het gedocumenteerde ontwikkel- en toolbereik.
Generatieaanbevelingen
De maker adviseert temperature 1,0, top_p 0,95 en top_k 40. Deze exacte instellingen verschillen van die van diverse Qwen-gespreksmodellen en zouden onderdeel moeten blijven van de eigen aanpak van Coder-Next. De gepubliceerde configuratie gebruikt een Qwen3-Next-architectuur voor causale taalmodellen. Gebruik de gedocumenteerde modelnaam en chattemplate van dit checkpoint consistent gedurende de programmeerworkflow.
Wezenlijke beperkingen
De gedocumenteerde invoer is tekst, dus screenshots, audio of video hebben vóór deze programmeerworkflow een passende afzonderlijke weergave nodig. De native context en voorbeeldbudgetten voor generatie zijn eindig; verkort niet-relevante code en reserveer ruimte voor het gevraagde resultaat. Controleer gegenereerde syntaxis, interfaces, randgevallen en voorgestelde wijzigingen in de echte ontwikkelworkflow. De bruikbare uitvoer is een inspecteerbaar code- of uitlegproduct onderbouwd met echte taakinformatie, met behoud van de uitsluitend tekstverwerkende en non-thinking-identiteit van dit checkpoint.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven — / 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 $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-coder-nextQwen3-Coder-Next is Qwens programmeeragentmodel dat alleen tekst verwerkt, met in totaal 80 miljard en 3 miljard geactiveerde parameters. Het gebruikt non-thinking-uitvoer, een native context van 262.144 tokens en toolaanroepen voor ontwikkelworkflows, waaronder meerstapswerk en herstel op basis van uitvoeringsfeedback.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoogtepunten: een model gebouwd voor programmeeragents
Qwen3-Coder-Next is een open tekstmodel dat speciaal is ontworpen voor programmeeragents en ontwikkelworkflows. Qwen beschrijft probleemoplossing over een lange reeks stappen, complex toolgebruik en herstel na uitvoeringsfouten, samen met aanpasbaarheid aan verschillende ontwikkelstructuren. Het accepteert tekst en produceert tekst, waaronder code, uitleg en toolverzoeken. Dit exacte Coder-Next-checkpoint heeft een eigen non-thinking-contract; de Thinking-edities van de bredere Next-familie mogen het niet vervangen.
Geef voor een ontwikkeltaak de relevante bestanden of fragmenten, het gewenste gedrag en de invoer die een probleem laat zien. Vraag om een bewerkbare wijziging en een uitleg gekoppeld aan die voorwaarden. Definieer voor een taak met meerdere stappen het doel, toegestane tools en waarnemingen die voltooiing zouden aantonen. Beoordeel de voorgestelde codewijziging en uitleg aan de hand van de aangeleverde bestanden, falende invoer en voltooiingscriteria.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. De hybride indeling met 48 lagen herhaalt drie Gated DeltaNet-expertlagen gevolgd door één gated-attention-expertlaag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert. Het kleine aantal geactiveerde parameters is een rekenkenmerk van het sparse model, niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens. De voorbeelden van de maker laten een kleinere context toe, zoals 32.768, wanneer geheugenbeperkingen verhinderen dat de grotere configuratie werkt. Broncode, geschiedenis, toolwaarnemingen en gegenereerde tekst moeten binnen de ingestelde sequentieruimte passen. De modelkaart stelt geen standaarduitbreiding tot één miljoen tokens voor dit checkpoint vast.
De non-thinking-tekstinterface gebruiken
Coder-Next ondersteunt alleen de non-thinking-modus en genereert geen expliciete thinking-blokken. Het instellen van enable_thinking=False is in het voorbeeld van de maker niet nodig. Het kan nog steeds een patch uitleggen, een algoritme bespreken of in gewone tekst redeneren; non-thinking beschrijft de uitvoermodus en verbiedt geen uitleg.
De snelstart vraagt om een sorteeralgoritme en gebruikt een generatiebudget van 65.536 tokens. Die waarde is een voorbeeldbudget, geen afzonderlijk gepubliceerde harde uitvoergrens. Geef het formaat en de beperkingen van het resultaat aan: de taal, relevante interfaces, het vereiste gedrag en of het antwoord een patch, complete functie of uitleg moet bevatten. Houd het bewerkbare resultaat gescheiden van het commentaar, zodat het gemakkelijk te beoordelen is.
Ontwikkelstructuren en context
De maker benadrukt compatibiliteit met agentstructuren in CLI- en IDE-stijl, waaronder Qwen Code. Zo’n structuur levert de projectstatus, tooldefinities, waarnemingen en het gespreksformaat. Behoud die invoer consistent gedurende een meerstapstaak. Geeft een tool een falende controle aan, lever dan de echte fout en relevante gewijzigde code in plaats van het model alleen te vertellen dat het opnieuw moet proberen.
Werk over een lange reeks stappen heeft baat bij een zichtbare taakstatus: wat is waargenomen, welke wijziging wordt voorgesteld en welke voorwaarde is nog niet opgelost. Een toolwaarneming is iets anders dan een claim in gegenereerde tekst. Het vermogen van het model om na fouten te herstellen mag niet worden beschouwd als automatische toestemming om commando’s uit te voeren of als garantie dat ieder herstel slaagt.
Programmeren met agents en toolaanroepen
Qwen documenteert tooldefinities in functiestijl met namen, beschrijvingen, invoerschema’s en verplichte velden. Geef een precieze definitie en de verwachte betekenis van de retourwaarde. De toepassing voert een geselecteerde tool uit en geeft het resultaat terug; het model gebruikt dat resultaat vervolgens in de volgende stap. Toolaanroepen geven op zichzelf geen toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Beperk voor een agent die een repository bewerkt de toegestane bestanden en het gevraagde resultaat. Een nuttig eindrapport kan de betrokken modules identificeren, de wijziging uitleggen en echte resultaten van aangesloten controles vermelden. Houd voorgestelde commando’s, gegenereerde code en voltooide handelingen onderscheiden. Dit zijn praktische workflowvoorbeelden binnen het gedocumenteerde ontwikkel- en toolbereik.
Generatieaanbevelingen
De maker adviseert temperature 1,0, top_p 0,95 en top_k 40. Deze exacte instellingen verschillen van die van diverse Qwen-gespreksmodellen en zouden onderdeel moeten blijven van de eigen aanpak van Coder-Next. De gepubliceerde configuratie gebruikt een Qwen3-Next-architectuur voor causale taalmodellen. Gebruik de gedocumenteerde modelnaam en chattemplate van dit checkpoint consistent gedurende de programmeerworkflow.
Wezenlijke beperkingen
De gedocumenteerde invoer is tekst, dus screenshots, audio of video hebben vóór deze programmeerworkflow een passende afzonderlijke weergave nodig. De native context en voorbeeldbudgetten voor generatie zijn eindig; verkort niet-relevante code en reserveer ruimte voor het gevraagde resultaat. Controleer gegenereerde syntaxis, interfaces, randgevallen en voorgestelde wijzigingen in de echte ontwikkelworkflow. De bruikbare uitvoer is een inspecteerbaar code- of uitlegproduct onderbouwd met echte taakinformatie, met behoud van de uitsluitend tekstverwerkende en non-thinking-identiteit van dit checkpoint.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven — / 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 $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.