Hoogtepunten van Qwen3-Next: complex redeneren met tekst
Qwen3-Next-80B-A3B-Thinking is de teksteditie van Qwen3-Next die alleen thinking gebruikt. De maker adviseert het voor zeer complexe redeneertaken en merkt op dat het thinking langer kan zijn dan bij eerdere modellen. Het accepteert tekst en geeft tekst terug, waaronder een toegelicht antwoord of codevoorstel. Houd het onderscheiden van Qwen3-Next-80B-A3B-Instruct en Qwen3-Coder-Next, waarvan de non-thinking-contracten verschillen.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, experts met hoge sparsiteit, stabiliteitstechnieken zoals nulgecentreerde laagnormalisatie met gewichtsverval, en voorspelling van meerdere tokens. Qwen beschrijft ook stabilisatie van reinforcement learning via GSPO. Dit zijn trainings- en architectuurkenmerken; efficiëntiewinst hangt af van de implementatie en mag geen universele claim over responstijd worden.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een expertpatroon van drie DeltaNet-lagen op één gated-attention-laag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert, met voortraining op 15 biljoen tokens gevolgd door natraining. Geactiveerde parameters zijn niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding tot 1.010.000. Brontekst, eerdere berichten, toolwaarnemingen, redenering en definitieve uitvoer delen de ingestelde sequentieruimte. Voor complex thinking adviseert de maker waar mogelijk een ingestelde context groter dan 131.072, ook als een kleiner venster de geheugendruk zou verminderen.
De thinking-only-interface gebruiken
De standaardchattemplate bevat de openingsmarkering voor thinking al. Een teruggegeven sequentie kan daarom de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Dat is normale opmaak binnen de aanpak van de maker, geen bewijs dat de redenering ontbreekt. Het model ondersteunt alleen de thinking-modus; een verzoek om een beknopt eindantwoord maakt er geen non-thinking-editie van.
Geef voor een wiskundig of logisch probleem de volledige opgave, definities, eenheden en toegestane aannames. Vraag om een duidelijk afgebakend eindantwoord met de ondersteunende stappen die nodig zijn om het te controleren. Geef voor redeneren over code de relevante functie, de invoer en het gewenste gedrag en vraag vervolgens om een toegelicht voorstel. Vergelijk de onderbouwende berekeningen of voorgestelde patch met de aangeleverde voorwaarden en echte resultaten.
Implementatie en tools
De voorbeelden van de maker ondersteunen ontwikkel- en toolworkflows en adviseren Qwen-Agent voor tooltemplates en parsing, met geconfigureerde of via MCP aangesloten tools. Definieer de toegestane tools, het taakdoel en de waarneembare voltooiingsvoorwaarde. De toepassing voert externe acties uit en geeft echte waarnemingen terug; het model kan die feedback vervolgens in zijn volgende antwoord gebruiken.
Voorspelling van meerdere tokens maakt deel uit van de training, maar het gebruik tijdens inferentie hangt af van de implementatie en is niet algemeen beschikbaar in iedere lichtgewicht workflow. Behoud dat onderscheid wanneer je een implementatie beoordeelt. Tool- of architectuurmogelijkheden alleen stellen geen toegang tot bestanden, actuele bronnen of een uitvoeringsomgeving via een andere toepassing vast.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN. De maker valideert een context van ongeveer één miljoen tokens en geeft een aanpak met factor vier op basis van de native 262.144 posities; voor workloads van 524.288 tokens stelt hij factor twee voor. Statische schaling kan prestaties op kortere teksten beïnvloeden en zou dus de werkelijke behoefte aan langere invoer moeten volgen.
Orden een grote invoer met documentgrenzen en code- of sectie-identificatoren. Geef de vraag en het verwachte resultaat aan, zodat het model relevante onderbouwing kan verbinden in plaats van het volledige venster als vervanging voor een duidelijke taak te behandelen. Reserveer ruimte voor het mogelijk lange redeneren en het eindresultaat.
Generatieadvies
Best Practices adviseert temperature 0,6, top_p 0,95, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verlagen. Qwen adviseert voor de meeste vragen een generatiebudget van 32.768 tokens en 81.920 voor uitzonderlijk complexe wiskunde- of programmeertaken. Dit zijn aanbevelingen en geen onafhankelijke harde uitvoergrenzen.
Geef het eindantwoordformaat expliciet aan, zoals een afgebakend wiskundig resultaat of antwoordveld. De maker adviseert definitieve uitvoer zonder thinking-inhoud in eerdere assistentberichten te bewaren, volgens de template van dit checkpoint. Opties van latere modellen voor het bewaren van eerdere redeneringen mogen niet automatisch worden overgenomen.
Wezenlijke beperkingen
Dit is een model dat alleen tekst verwerkt. Beelden, audio of video hebben een passende afzonderlijke weergave nodig voordat ze in deze workflow als onderbouwing kunnen dienen. Lang thinking en context zijn eindige middelen, en gedetailleerde redenering bewijst niet op zichzelf dat het resultaat correct is. Controleer aannames, berekeningen en gegenereerde code aan de hand van de aangeleverde bron. Het bruikbare resultaat is een beoordeelbaar antwoord of product waarvan de onderbouwing zichtbaar blijft en waarvan de thinking-only-identiteit behouden is.
", "aboutText": "Hoogtepunten van Qwen3-Next: complex redeneren met tekst\n\nQwen3-Next-80B-A3B-Thinking is de teksteditie van Qwen3-Next die alleen thinking gebruikt. De maker adviseert het voor zeer complexe redeneertaken en merkt op dat het thinking langer kan zijn dan bij eerdere modellen. Het accepteert tekst en geeft tekst terug, waaronder een toegelicht antwoord of codevoorstel. Houd het onderscheiden van Qwen3-Next-80B-A3B-Instruct en Qwen3-Coder-Next, waarvan de non-thinking-contracten verschillen.\n\nDe familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, experts met hoge sparsiteit, stabiliteitstechnieken zoals nulgecentreerde laagnormalisatie met gewichtsverval, en voorspelling van meerdere tokens. Qwen beschrijft ook stabilisatie van reinforcement learning via GSPO. Dit zijn trainings- en architectuurkenmerken; efficiëntiewinst hangt af van de implementatie en mag geen universele claim over responstijd worden.\n\nModeloverzicht\n\nHet model heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een expertpatroon van drie DeltaNet-lagen op één gated-attention-laag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert, met voortraining op 15 biljoen tokens gevolgd door natraining. Geactiveerde parameters zijn niet de omvang van het volledige checkpoint.\n\nDe native context is 262.144 tokens, met gedocumenteerde uitbreiding tot 1.010.000. Brontekst, eerdere berichten, toolwaarnemingen, redenering en definitieve uitvoer delen de ingestelde sequentieruimte. Voor complex thinking adviseert de maker waar mogelijk een ingestelde context groter dan 131.072, ook als een kleiner venster de geheugendruk zou verminderen.\n\nDe thinking-only-interface gebruiken\n\nDe standaardchattemplate bevat de openingsmarkering voor thinking al. Een teruggegeven sequentie kan daarom de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Dat is normale opmaak binnen de aanpak van de maker, geen bewijs dat de redenering ontbreekt. Het model ondersteunt alleen de thinking-modus; een verzoek om een beknopt eindantwoord maakt er geen non-thinking-editie van.\n\nGeef voor een wiskundig of logisch probleem de volledige opgave, definities, eenheden en toegestane aannames. Vraag om een duidelijk afgebakend eindantwoord met de ondersteunende stappen die nodig zijn om het te controleren. Geef voor redeneren over code de relevante functie, de invoer en het gewenste gedrag en vraag vervolgens om een toegelicht voorstel. Vergelijk de onderbouwende berekeningen of voorgestelde patch met de aangeleverde voorwaarden en echte resultaten.\n\nImplementatie en tools\n\nDe voorbeelden van de maker ondersteunen ontwikkel- en toolworkflows en adviseren Qwen-Agent voor tooltemplates en parsing, met geconfigureerde of via MCP aangesloten tools. Definieer de toegestane tools, het taakdoel en de waarneembare voltooiingsvoorwaarde. De toepassing voert externe acties uit en geeft echte waarnemingen terug; het model kan die feedback vervolgens in zijn volgende antwoord gebruiken.\n\nVoorspelling van meerdere tokens maakt deel uit van de training, maar het gebruik tijdens inferentie hangt af van de implementatie en is niet algemeen beschikbaar in iedere lichtgewicht workflow. Behoud dat onderscheid wanneer je een implementatie beoordeelt. Tool- of architectuurmogelijkheden alleen stellen geen toegang tot bestanden, actuele bronnen of een uitvoeringsomgeving via een andere toepassing vast.\n\nUltralange tekst\n\nDe gedocumenteerde uitbreiding gebruikt YaRN. De maker valideert een context van ongeveer één miljoen tokens en geeft een aanpak met factor vier op basis van de native 262.144 posities; voor workloads van 524.288 tokens stelt hij factor twee voor. Statische schaling kan prestaties op kortere teksten beïnvloeden en zou dus de werkelijke behoefte aan langere invoer moeten volgen.\n\nOrden een grote invoer met documentgrenzen en code- of sectie-identificatoren. Geef de vraag en het verwachte resultaat aan, zodat het model relevante onderbouwing kan verbinden in plaats van het volledige venster als vervanging voor een duidelijke taak te behandelen. Reserveer ruimte voor het mogelijk lange redeneren en het eindresultaat.\n\nGeneratieadvies\n\nBest Practices adviseert temperature 0,6, top_p 0,95, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verlagen. Qwen adviseert voor de meeste vragen een generatiebudget van 32.768 tokens en 81.920 voor uitzonderlijk complexe wiskunde- of programmeertaken. Dit zijn aanbevelingen en geen onafhankelijke harde uitvoergrenzen.\n\nGeef het eindantwoordformaat expliciet aan, zoals een afgebakend wiskundig resultaat of antwoordveld. De maker adviseert definitieve uitvoer zonder thinking-inhoud in eerdere assistentberichten te bewaren, volgens de template van dit checkpoint. Opties van latere modellen voor het bewaren van eerdere redeneringen mogen niet automatisch worden overgenomen.\n\nWezenlijke beperkingen\n\nDit is een model dat alleen tekst verwerkt. Beelden, audio of video hebben een passende afzonderlijke weergave nodig voordat ze in deze workflow als onderbouwing kunnen dienen. Lang thinking en context zijn eindige middelen, en gedetailleerde redenering bewijst niet op zichzelf dat het resultaat correct is. Controleer aannames, berekeningen en gegenereerde code aan de hand van de aangeleverde bron. Het bruikbare resultaat is een beoordeelbaar antwoord of product waarvan de onderbouwing zichtbaar blijft en waarvan de thinking-only-identiteit behouden is.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking is Qwens tekstmodel voor redeneren met in totaal 80 miljard en 3 miljard geactiveerde parameters. Het gebruikt alleen thinking, hybride attention en sparse experts voor complexe taken, met een native context van 262.144 tokens en voorwaardelijke uitbreiding tot 1.010.000.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoogtepunten van Qwen3-Next: complex redeneren met tekst
Qwen3-Next-80B-A3B-Thinking is de teksteditie van Qwen3-Next die alleen thinking gebruikt. De maker adviseert het voor zeer complexe redeneertaken en merkt op dat het thinking langer kan zijn dan bij eerdere modellen. Het accepteert tekst en geeft tekst terug, waaronder een toegelicht antwoord of codevoorstel. Houd het onderscheiden van Qwen3-Next-80B-A3B-Instruct en Qwen3-Coder-Next, waarvan de non-thinking-contracten verschillen.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, experts met hoge sparsiteit, stabiliteitstechnieken zoals nulgecentreerde laagnormalisatie met gewichtsverval, en voorspelling van meerdere tokens. Qwen beschrijft ook stabilisatie van reinforcement learning via GSPO. Dit zijn trainings- en architectuurkenmerken; efficiëntiewinst hangt af van de implementatie en mag geen universele claim over responstijd worden.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een expertpatroon van drie DeltaNet-lagen op één gated-attention-laag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert, met voortraining op 15 biljoen tokens gevolgd door natraining. Geactiveerde parameters zijn niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding tot 1.010.000. Brontekst, eerdere berichten, toolwaarnemingen, redenering en definitieve uitvoer delen de ingestelde sequentieruimte. Voor complex thinking adviseert de maker waar mogelijk een ingestelde context groter dan 131.072, ook als een kleiner venster de geheugendruk zou verminderen.
De thinking-only-interface gebruiken
De standaardchattemplate bevat de openingsmarkering voor thinking al. Een teruggegeven sequentie kan daarom de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Dat is normale opmaak binnen de aanpak van de maker, geen bewijs dat de redenering ontbreekt. Het model ondersteunt alleen de thinking-modus; een verzoek om een beknopt eindantwoord maakt er geen non-thinking-editie van.
Geef voor een wiskundig of logisch probleem de volledige opgave, definities, eenheden en toegestane aannames. Vraag om een duidelijk afgebakend eindantwoord met de ondersteunende stappen die nodig zijn om het te controleren. Geef voor redeneren over code de relevante functie, de invoer en het gewenste gedrag en vraag vervolgens om een toegelicht voorstel. Vergelijk de onderbouwende berekeningen of voorgestelde patch met de aangeleverde voorwaarden en echte resultaten.
Implementatie en tools
De voorbeelden van de maker ondersteunen ontwikkel- en toolworkflows en adviseren Qwen-Agent voor tooltemplates en parsing, met geconfigureerde of via MCP aangesloten tools. Definieer de toegestane tools, het taakdoel en de waarneembare voltooiingsvoorwaarde. De toepassing voert externe acties uit en geeft echte waarnemingen terug; het model kan die feedback vervolgens in zijn volgende antwoord gebruiken.
Voorspelling van meerdere tokens maakt deel uit van de training, maar het gebruik tijdens inferentie hangt af van de implementatie en is niet algemeen beschikbaar in iedere lichtgewicht workflow. Behoud dat onderscheid wanneer je een implementatie beoordeelt. Tool- of architectuurmogelijkheden alleen stellen geen toegang tot bestanden, actuele bronnen of een uitvoeringsomgeving via een andere toepassing vast.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN. De maker valideert een context van ongeveer één miljoen tokens en geeft een aanpak met factor vier op basis van de native 262.144 posities; voor workloads van 524.288 tokens stelt hij factor twee voor. Statische schaling kan prestaties op kortere teksten beïnvloeden en zou dus de werkelijke behoefte aan langere invoer moeten volgen.
Orden een grote invoer met documentgrenzen en code- of sectie-identificatoren. Geef de vraag en het verwachte resultaat aan, zodat het model relevante onderbouwing kan verbinden in plaats van het volledige venster als vervanging voor een duidelijke taak te behandelen. Reserveer ruimte voor het mogelijk lange redeneren en het eindresultaat.
Generatieadvies
Best Practices adviseert temperature 0,6, top_p 0,95, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verlagen. Qwen adviseert voor de meeste vragen een generatiebudget van 32.768 tokens en 81.920 voor uitzonderlijk complexe wiskunde- of programmeertaken. Dit zijn aanbevelingen en geen onafhankelijke harde uitvoergrenzen.
Geef het eindantwoordformaat expliciet aan, zoals een afgebakend wiskundig resultaat of antwoordveld. De maker adviseert definitieve uitvoer zonder thinking-inhoud in eerdere assistentberichten te bewaren, volgens de template van dit checkpoint. Opties van latere modellen voor het bewaren van eerdere redeneringen mogen niet automatisch worden overgenomen.
Wezenlijke beperkingen
Dit is een model dat alleen tekst verwerkt. Beelden, audio of video hebben een passende afzonderlijke weergave nodig voordat ze in deze workflow als onderbouwing kunnen dienen. Lang thinking en context zijn eindige middelen, en gedetailleerde redenering bewijst niet op zichzelf dat het resultaat correct is. Controleer aannames, berekeningen en gegenereerde code aan de hand van de aangeleverde bron. Het bruikbare resultaat is een beoordeelbaar antwoord of product waarvan de onderbouwing zichtbaar blijft en waarvan de thinking-only-identiteit behouden is.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0024 / 1K tokens Invoer · Cache lezen — / 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0024 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-next-80b-a3b-thinking',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-next-80b-a3b-thinking',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-next-80b-a3b-thinking
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking is Qwens tekstmodel voor redeneren met in totaal 80 miljard en 3 miljard geactiveerde parameters. Het gebruikt alleen thinking, hybride attention en sparse experts voor complexe taken, met een native context van 262.144 tokens en voorwaardelijke uitbreiding tot 1.010.000.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoogtepunten van Qwen3-Next: complex redeneren met tekst
Qwen3-Next-80B-A3B-Thinking is de teksteditie van Qwen3-Next die alleen thinking gebruikt. De maker adviseert het voor zeer complexe redeneertaken en merkt op dat het thinking langer kan zijn dan bij eerdere modellen. Het accepteert tekst en geeft tekst terug, waaronder een toegelicht antwoord of codevoorstel. Houd het onderscheiden van Qwen3-Next-80B-A3B-Instruct en Qwen3-Coder-Next, waarvan de non-thinking-contracten verschillen.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, experts met hoge sparsiteit, stabiliteitstechnieken zoals nulgecentreerde laagnormalisatie met gewichtsverval, en voorspelling van meerdere tokens. Qwen beschrijft ook stabilisatie van reinforcement learning via GSPO. Dit zijn trainings- en architectuurkenmerken; efficiëntiewinst hangt af van de implementatie en mag geen universele claim over responstijd worden.
Modeloverzicht
Het model heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een expertpatroon van drie DeltaNet-lagen op één gated-attention-laag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert, met voortraining op 15 biljoen tokens gevolgd door natraining. Geactiveerde parameters zijn niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding tot 1.010.000. Brontekst, eerdere berichten, toolwaarnemingen, redenering en definitieve uitvoer delen de ingestelde sequentieruimte. Voor complex thinking adviseert de maker waar mogelijk een ingestelde context groter dan 131.072, ook als een kleiner venster de geheugendruk zou verminderen.
De thinking-only-interface gebruiken
De standaardchattemplate bevat de openingsmarkering voor thinking al. Een teruggegeven sequentie kan daarom de sluitmarkering bevatten zonder de openingsmarkering te herhalen. Dat is normale opmaak binnen de aanpak van de maker, geen bewijs dat de redenering ontbreekt. Het model ondersteunt alleen de thinking-modus; een verzoek om een beknopt eindantwoord maakt er geen non-thinking-editie van.
Geef voor een wiskundig of logisch probleem de volledige opgave, definities, eenheden en toegestane aannames. Vraag om een duidelijk afgebakend eindantwoord met de ondersteunende stappen die nodig zijn om het te controleren. Geef voor redeneren over code de relevante functie, de invoer en het gewenste gedrag en vraag vervolgens om een toegelicht voorstel. Vergelijk de onderbouwende berekeningen of voorgestelde patch met de aangeleverde voorwaarden en echte resultaten.
Implementatie en tools
De voorbeelden van de maker ondersteunen ontwikkel- en toolworkflows en adviseren Qwen-Agent voor tooltemplates en parsing, met geconfigureerde of via MCP aangesloten tools. Definieer de toegestane tools, het taakdoel en de waarneembare voltooiingsvoorwaarde. De toepassing voert externe acties uit en geeft echte waarnemingen terug; het model kan die feedback vervolgens in zijn volgende antwoord gebruiken.
Voorspelling van meerdere tokens maakt deel uit van de training, maar het gebruik tijdens inferentie hangt af van de implementatie en is niet algemeen beschikbaar in iedere lichtgewicht workflow. Behoud dat onderscheid wanneer je een implementatie beoordeelt. Tool- of architectuurmogelijkheden alleen stellen geen toegang tot bestanden, actuele bronnen of een uitvoeringsomgeving via een andere toepassing vast.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN. De maker valideert een context van ongeveer één miljoen tokens en geeft een aanpak met factor vier op basis van de native 262.144 posities; voor workloads van 524.288 tokens stelt hij factor twee voor. Statische schaling kan prestaties op kortere teksten beïnvloeden en zou dus de werkelijke behoefte aan langere invoer moeten volgen.
Orden een grote invoer met documentgrenzen en code- of sectie-identificatoren. Geef de vraag en het verwachte resultaat aan, zodat het model relevante onderbouwing kan verbinden in plaats van het volledige venster als vervanging voor een duidelijke taak te behandelen. Reserveer ruimte voor het mogelijk lange redeneren en het eindresultaat.
Generatieadvies
Best Practices adviseert temperature 0,6, top_p 0,95, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verlagen. Qwen adviseert voor de meeste vragen een generatiebudget van 32.768 tokens en 81.920 voor uitzonderlijk complexe wiskunde- of programmeertaken. Dit zijn aanbevelingen en geen onafhankelijke harde uitvoergrenzen.
Geef het eindantwoordformaat expliciet aan, zoals een afgebakend wiskundig resultaat of antwoordveld. De maker adviseert definitieve uitvoer zonder thinking-inhoud in eerdere assistentberichten te bewaren, volgens de template van dit checkpoint. Opties van latere modellen voor het bewaren van eerdere redeneringen mogen niet automatisch worden overgenomen.
Wezenlijke beperkingen
Dit is een model dat alleen tekst verwerkt. Beelden, audio of video hebben een passende afzonderlijke weergave nodig voordat ze in deze workflow als onderbouwing kunnen dienen. Lang thinking en context zijn eindige middelen, en gedetailleerde redenering bewijst niet op zichzelf dat het resultaat correct is. Controleer aannames, berekeningen en gegenereerde code aan de hand van de aangeleverde bron. Het bruikbare resultaat is een beoordeelbaar antwoord of product waarvan de onderbouwing zichtbaar blijft en waarvan de thinking-only-identiteit behouden is.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0024 / 1K tokens Invoer · Cache lezen — / 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0024 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-thinking', '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-next-80b-a3b-thinking', '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-next-80b-a3b-thinking
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.