Qwen3-0.6B biedt de hybride tekstinterface van Qwen3 in een dense model met 0,6 miljard parameters. De mogelijkheden van de modelfamilie omvatten het volgen van instructies, meertalige gesprekken, creatief schrijven, rolgebaseerde interactie, wiskunde, code en logisch redeneren. Denken en gewone generatie zijn binnen dezelfde release beschikbaar. De compacte grootte identificeert het checkpoint, niet een ander invoerformaat of een vervangende naam voor een groter Qwen3-model.
Het model heeft 0,44 miljard parameters buiten embeddings en 28 lagen, met 16 query-koppen en acht sleutel/waarde-koppen in grouped-query attention. De exacte kaart documenteert 32.768 contexttokens. Zowel inkomende tekst als gegenereerde inhoud nemen ruimte in de modelsequentie in. Reserveer daarom ruimte voor het antwoord bij het samenstellen van instructies en voorbeelden. De kaart van deze release documenteert niet de configuratie voor uitgebreide context die op sommige kaarten van grotere Qwen3-modellen staat. Een praktische eerste taak is één korte, duidelijk gedefinieerde bewerking waarvan de uitvoer rechtstreeks met de bron kan worden vergeleken.
Gebruik het aangewezen chatsjabloon van de fabrikant om de instructie en het materiaal te presenteren. Geef bijvoorbeeld een korte servicenotitie en vraag om een klantgericht bericht dat de afspraakdatum en productnaam ongewijzigd behoudt. Geef de beoogde lezer, toon en maximaal gevraagde lengte. Som bij een labelselectietaak de toegestane labels met definities op en neem een dubbelzinnig voorbeeld op dat toont hoe onzekerheid moet worden gemeld. Vraag alleen om het label en de bijbehorende passage uit de invoer. Dit zijn concrete uitvoereisen, geen bewering dat het model er altijd zonder controle aan zal voldoen. De gepubliceerde integratie verwacht een runtime die Qwen3 ondersteunt; de kaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
Het aangeboden sjabloon gebruikt standaard denken. Een harde niet-denkinstelling onderdrukt de redeneersectie; als denken ingeschakeld blijft, kunnen /think en /no_think de modus tussen gespreksbeurten besturen, afhankelijk van de recentste instructie. Hard uitschakelen heeft voorrang op deze zachte prompts. Selecteer de instelling die bij de bewerking past: een eenvoudige wijziging van goedgekeurde formulering kan een direct antwoord gebruiken, terwijl voor uitleg over waarom een voorwaarde geldt redeneren nodig kan zijn. Bewaar het eindantwoord in plaats van een eerdere redeneersectie als gespreksgeschiedenis. Met denken ingeschakeld behoudt zelfs een zacht verzoek om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
De modelkaart beschrijft toolgericht agentgebruik en raadt Qwen-Agent aan voor de sjablonen en parsing. Voor een kleine begrippenlijstassistent kan de toepassing één alleen-lezen opzoekfunctie beschikbaar stellen, de argumenten valideren, haar uitvoeren en de vermelding teruggeven. Het model kan de term vervolgens in de door de gebruiker gevraagde stijl uitleggen. Definieer vooraf het toolresultaat en het alternatief voor een ontbrekende vermelding. Een gegenereerd toolverzoek moet als verzoek worden afgehandeld, waarbij de toepassing verantwoordelijk blijft voor uitvoering en het teruggegeven bewijs. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen met meerdere stappen, waarbij argumenten als objecten worden weergegeven en resultaten naar het gesprek worden teruggevoerd.
De gepubliceerde quickstart en aanbevolen uitvoerlengtes zijn generatierichtlijnen, geen afzonderlijke gegarandeerde API-limiet. Kies bij een gerichte bewerking een compact eindrecord, zoals een herschreven zin plus de ongewijzigde namen, of een label met de ondersteunende tekst. Controleer dat record aan de hand van het aangeleverde materiaal. Als de taak uitgroeit tot een lange uitleg, beoordeel het langere resultaat dan op hetzelfde type daadwerkelijke invoer, in plaats van aan te nemen dat de compacte identiteit van het model de nauwkeurigheid of antwoordkwaliteit vaststelt. De Qwen3-documentatie bespreekt in de uitleg over trainingslengte lengtes van assistentberichten van 38.912 tokens in de denkmodus en 16.384 in de niet-denkmodus en raadt aan de kwaliteit van langere generatie te beoordelen. Deze getallen staan los van het totale contextvenster en zijn geen harde endpointspecifieke limiet.
Deze exacte kaart voegt advies voor aanzienlijke herhaling toe: gebruik de aanbevolen samplingconfiguratie en overweeg presence_penalty 1.5. Sterkere penalties kunnen taalvermenging of prestatievermindering veroorzaken. De denkmodus wordt gecombineerd met temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken met temperature 0.7, top-p 0.8, top-k 20 en min-p 0. De fabrikant waarschuwt tegen greedy decoding in de denkmodus. Inspecteer herhaalde formuleringen, behouden namen en het geselecteerde label; wijs een ongeldig record af, in plaats van leesbare tekst te behandelen als bewijs dat het vereiste formaat is gevolgd.
", "aboutText": "Qwen3-0.6B biedt de hybride tekstinterface van Qwen3 in een dense model met 0,6 miljard parameters. De mogelijkheden van de modelfamilie omvatten het volgen van instructies, meertalige gesprekken, creatief schrijven, rolgebaseerde interactie, wiskunde, code en logisch redeneren. Denken en gewone generatie zijn binnen dezelfde release beschikbaar. De compacte grootte identificeert het checkpoint, niet een ander invoerformaat of een vervangende naam voor een groter Qwen3-model.\n\nHet model heeft 0,44 miljard parameters buiten embeddings en 28 lagen, met 16 query-koppen en acht sleutel/waarde-koppen in grouped-query attention. De exacte kaart documenteert 32.768 contexttokens. Zowel inkomende tekst als gegenereerde inhoud nemen ruimte in de modelsequentie in. Reserveer daarom ruimte voor het antwoord bij het samenstellen van instructies en voorbeelden. De kaart van deze release documenteert niet de configuratie voor uitgebreide context die op sommige kaarten van grotere Qwen3-modellen staat. Een praktische eerste taak is één korte, duidelijk gedefinieerde bewerking waarvan de uitvoer rechtstreeks met de bron kan worden vergeleken.\n\nGebruik het aangewezen chatsjabloon van de fabrikant om de instructie en het materiaal te presenteren. Geef bijvoorbeeld een korte servicenotitie en vraag om een klantgericht bericht dat de afspraakdatum en productnaam ongewijzigd behoudt. Geef de beoogde lezer, toon en maximaal gevraagde lengte. Som bij een labelselectietaak de toegestane labels met definities op en neem een dubbelzinnig voorbeeld op dat toont hoe onzekerheid moet worden gemeld. Vraag alleen om het label en de bijbehorende passage uit de invoer. Dit zijn concrete uitvoereisen, geen bewering dat het model er altijd zonder controle aan zal voldoen. De gepubliceerde integratie verwacht een runtime die Qwen3 ondersteunt; de kaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.\n\nHet aangeboden sjabloon gebruikt standaard denken. Een harde niet-denkinstelling onderdrukt de redeneersectie; als denken ingeschakeld blijft, kunnen /think en /no_think de modus tussen gespreksbeurten besturen, afhankelijk van de recentste instructie. Hard uitschakelen heeft voorrang op deze zachte prompts. Selecteer de instelling die bij de bewerking past: een eenvoudige wijziging van goedgekeurde formulering kan een direct antwoord gebruiken, terwijl voor uitleg over waarom een voorwaarde geldt redeneren nodig kan zijn. Bewaar het eindantwoord in plaats van een eerdere redeneersectie als gespreksgeschiedenis. Met denken ingeschakeld behoudt zelfs een zacht verzoek om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.\n\nDe modelkaart beschrijft toolgericht agentgebruik en raadt Qwen-Agent aan voor de sjablonen en parsing. Voor een kleine begrippenlijstassistent kan de toepassing één alleen-lezen opzoekfunctie beschikbaar stellen, de argumenten valideren, haar uitvoeren en de vermelding teruggeven. Het model kan de term vervolgens in de door de gebruiker gevraagde stijl uitleggen. Definieer vooraf het toolresultaat en het alternatief voor een ontbrekende vermelding. Een gegenereerd toolverzoek moet als verzoek worden afgehandeld, waarbij de toepassing verantwoordelijk blijft voor uitvoering en het teruggegeven bewijs. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen met meerdere stappen, waarbij argumenten als objecten worden weergegeven en resultaten naar het gesprek worden teruggevoerd.\n\nDe gepubliceerde quickstart en aanbevolen uitvoerlengtes zijn generatierichtlijnen, geen afzonderlijke gegarandeerde API-limiet. Kies bij een gerichte bewerking een compact eindrecord, zoals een herschreven zin plus de ongewijzigde namen, of een label met de ondersteunende tekst. Controleer dat record aan de hand van het aangeleverde materiaal. Als de taak uitgroeit tot een lange uitleg, beoordeel het langere resultaat dan op hetzelfde type daadwerkelijke invoer, in plaats van aan te nemen dat de compacte identiteit van het model de nauwkeurigheid of antwoordkwaliteit vaststelt. De Qwen3-documentatie bespreekt in de uitleg over trainingslengte lengtes van assistentberichten van 38.912 tokens in de denkmodus en 16.384 in de niet-denkmodus en raadt aan de kwaliteit van langere generatie te beoordelen. Deze getallen staan los van het totale contextvenster en zijn geen harde endpointspecifieke limiet.\n\nDeze exacte kaart voegt advies voor aanzienlijke herhaling toe: gebruik de aanbevolen samplingconfiguratie en overweeg presence_penalty 1.5. Sterkere penalties kunnen taalvermenging of prestatievermindering veroorzaken. De denkmodus wordt gecombineerd met temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken met temperature 0.7, top-p 0.8, top-k 20 en min-p 0. De fabrikant waarschuwt tegen greedy decoding in de denkmodus. Inspecteer herhaalde formuleringen, behouden namen en het geselecteerde label; wijs een ongeldig record af, in plaats van leesbare tekst te behandelen als bewijs dat het vereiste formaat is gevolgd.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B is de kleinste dense release in deze Qwen3-verzameling, met 0,6 miljard parameters. Het verwerkt tekstinstructies en meertalige dialoog via directe en denkmodi, met een editiegebonden context van 32.768 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-0.6B biedt de hybride tekstinterface van Qwen3 in een dense model met 0,6 miljard parameters. De mogelijkheden van de modelfamilie omvatten het volgen van instructies, meertalige gesprekken, creatief schrijven, rolgebaseerde interactie, wiskunde, code en logisch redeneren. Denken en gewone generatie zijn binnen dezelfde release beschikbaar. De compacte grootte identificeert het checkpoint, niet een ander invoerformaat of een vervangende naam voor een groter Qwen3-model.
Het model heeft 0,44 miljard parameters buiten embeddings en 28 lagen, met 16 query-koppen en acht sleutel/waarde-koppen in grouped-query attention. De exacte kaart documenteert 32.768 contexttokens. Zowel inkomende tekst als gegenereerde inhoud nemen ruimte in de modelsequentie in. Reserveer daarom ruimte voor het antwoord bij het samenstellen van instructies en voorbeelden. De kaart van deze release documenteert niet de configuratie voor uitgebreide context die op sommige kaarten van grotere Qwen3-modellen staat. Een praktische eerste taak is één korte, duidelijk gedefinieerde bewerking waarvan de uitvoer rechtstreeks met de bron kan worden vergeleken.
Gebruik het aangewezen chatsjabloon van de fabrikant om de instructie en het materiaal te presenteren. Geef bijvoorbeeld een korte servicenotitie en vraag om een klantgericht bericht dat de afspraakdatum en productnaam ongewijzigd behoudt. Geef de beoogde lezer, toon en maximaal gevraagde lengte. Som bij een labelselectietaak de toegestane labels met definities op en neem een dubbelzinnig voorbeeld op dat toont hoe onzekerheid moet worden gemeld. Vraag alleen om het label en de bijbehorende passage uit de invoer. Dit zijn concrete uitvoereisen, geen bewering dat het model er altijd zonder controle aan zal voldoen. De gepubliceerde integratie verwacht een runtime die Qwen3 ondersteunt; de kaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
Het aangeboden sjabloon gebruikt standaard denken. Een harde niet-denkinstelling onderdrukt de redeneersectie; als denken ingeschakeld blijft, kunnen /think en /no_think de modus tussen gespreksbeurten besturen, afhankelijk van de recentste instructie. Hard uitschakelen heeft voorrang op deze zachte prompts. Selecteer de instelling die bij de bewerking past: een eenvoudige wijziging van goedgekeurde formulering kan een direct antwoord gebruiken, terwijl voor uitleg over waarom een voorwaarde geldt redeneren nodig kan zijn. Bewaar het eindantwoord in plaats van een eerdere redeneersectie als gespreksgeschiedenis. Met denken ingeschakeld behoudt zelfs een zacht verzoek om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
De modelkaart beschrijft toolgericht agentgebruik en raadt Qwen-Agent aan voor de sjablonen en parsing. Voor een kleine begrippenlijstassistent kan de toepassing één alleen-lezen opzoekfunctie beschikbaar stellen, de argumenten valideren, haar uitvoeren en de vermelding teruggeven. Het model kan de term vervolgens in de door de gebruiker gevraagde stijl uitleggen. Definieer vooraf het toolresultaat en het alternatief voor een ontbrekende vermelding. Een gegenereerd toolverzoek moet als verzoek worden afgehandeld, waarbij de toepassing verantwoordelijk blijft voor uitvoering en het teruggegeven bewijs. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen met meerdere stappen, waarbij argumenten als objecten worden weergegeven en resultaten naar het gesprek worden teruggevoerd.
De gepubliceerde quickstart en aanbevolen uitvoerlengtes zijn generatierichtlijnen, geen afzonderlijke gegarandeerde API-limiet. Kies bij een gerichte bewerking een compact eindrecord, zoals een herschreven zin plus de ongewijzigde namen, of een label met de ondersteunende tekst. Controleer dat record aan de hand van het aangeleverde materiaal. Als de taak uitgroeit tot een lange uitleg, beoordeel het langere resultaat dan op hetzelfde type daadwerkelijke invoer, in plaats van aan te nemen dat de compacte identiteit van het model de nauwkeurigheid of antwoordkwaliteit vaststelt. De Qwen3-documentatie bespreekt in de uitleg over trainingslengte lengtes van assistentberichten van 38.912 tokens in de denkmodus en 16.384 in de niet-denkmodus en raadt aan de kwaliteit van langere generatie te beoordelen. Deze getallen staan los van het totale contextvenster en zijn geen harde endpointspecifieke limiet.
Deze exacte kaart voegt advies voor aanzienlijke herhaling toe: gebruik de aanbevolen samplingconfiguratie en overweeg presence_penalty 1.5. Sterkere penalties kunnen taalvermenging of prestatievermindering veroorzaken. De denkmodus wordt gecombineerd met temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken met temperature 0.7, top-p 0.8, top-k 20 en min-p 0. De fabrikant waarschuwt tegen greedy decoding in de denkmodus. Inspecteer herhaalde formuleringen, behouden namen en het geselecteerde label; wijs een ongeldig record af, in plaats van leesbare tekst te behandelen als bewijs dat het vereiste formaat is gevolgd.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-0.6b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.001 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-0.6b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-0.6b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-0.6b',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 qwen3-0.6b
Gebruik de hierboven getoonde methodepaden.
qwen3-0.6bQwen3-0.6B is de kleinste dense release in deze Qwen3-verzameling, met 0,6 miljard parameters. Het verwerkt tekstinstructies en meertalige dialoog via directe en denkmodi, met een editiegebonden context van 32.768 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-0.6B biedt de hybride tekstinterface van Qwen3 in een dense model met 0,6 miljard parameters. De mogelijkheden van de modelfamilie omvatten het volgen van instructies, meertalige gesprekken, creatief schrijven, rolgebaseerde interactie, wiskunde, code en logisch redeneren. Denken en gewone generatie zijn binnen dezelfde release beschikbaar. De compacte grootte identificeert het checkpoint, niet een ander invoerformaat of een vervangende naam voor een groter Qwen3-model.
Het model heeft 0,44 miljard parameters buiten embeddings en 28 lagen, met 16 query-koppen en acht sleutel/waarde-koppen in grouped-query attention. De exacte kaart documenteert 32.768 contexttokens. Zowel inkomende tekst als gegenereerde inhoud nemen ruimte in de modelsequentie in. Reserveer daarom ruimte voor het antwoord bij het samenstellen van instructies en voorbeelden. De kaart van deze release documenteert niet de configuratie voor uitgebreide context die op sommige kaarten van grotere Qwen3-modellen staat. Een praktische eerste taak is één korte, duidelijk gedefinieerde bewerking waarvan de uitvoer rechtstreeks met de bron kan worden vergeleken.
Gebruik het aangewezen chatsjabloon van de fabrikant om de instructie en het materiaal te presenteren. Geef bijvoorbeeld een korte servicenotitie en vraag om een klantgericht bericht dat de afspraakdatum en productnaam ongewijzigd behoudt. Geef de beoogde lezer, toon en maximaal gevraagde lengte. Som bij een labelselectietaak de toegestane labels met definities op en neem een dubbelzinnig voorbeeld op dat toont hoe onzekerheid moet worden gemeld. Vraag alleen om het label en de bijbehorende passage uit de invoer. Dit zijn concrete uitvoereisen, geen bewering dat het model er altijd zonder controle aan zal voldoen. De gepubliceerde integratie verwacht een runtime die Qwen3 ondersteunt; de kaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
Het aangeboden sjabloon gebruikt standaard denken. Een harde niet-denkinstelling onderdrukt de redeneersectie; als denken ingeschakeld blijft, kunnen /think en /no_think de modus tussen gespreksbeurten besturen, afhankelijk van de recentste instructie. Hard uitschakelen heeft voorrang op deze zachte prompts. Selecteer de instelling die bij de bewerking past: een eenvoudige wijziging van goedgekeurde formulering kan een direct antwoord gebruiken, terwijl voor uitleg over waarom een voorwaarde geldt redeneren nodig kan zijn. Bewaar het eindantwoord in plaats van een eerdere redeneersectie als gespreksgeschiedenis. Met denken ingeschakeld behoudt zelfs een zacht verzoek om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
De modelkaart beschrijft toolgericht agentgebruik en raadt Qwen-Agent aan voor de sjablonen en parsing. Voor een kleine begrippenlijstassistent kan de toepassing één alleen-lezen opzoekfunctie beschikbaar stellen, de argumenten valideren, haar uitvoeren en de vermelding teruggeven. Het model kan de term vervolgens in de door de gebruiker gevraagde stijl uitleggen. Definieer vooraf het toolresultaat en het alternatief voor een ontbrekende vermelding. Een gegenereerd toolverzoek moet als verzoek worden afgehandeld, waarbij de toepassing verantwoordelijk blijft voor uitvoering en het teruggegeven bewijs. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en toolaanroepen met meerdere stappen, waarbij argumenten als objecten worden weergegeven en resultaten naar het gesprek worden teruggevoerd.
De gepubliceerde quickstart en aanbevolen uitvoerlengtes zijn generatierichtlijnen, geen afzonderlijke gegarandeerde API-limiet. Kies bij een gerichte bewerking een compact eindrecord, zoals een herschreven zin plus de ongewijzigde namen, of een label met de ondersteunende tekst. Controleer dat record aan de hand van het aangeleverde materiaal. Als de taak uitgroeit tot een lange uitleg, beoordeel het langere resultaat dan op hetzelfde type daadwerkelijke invoer, in plaats van aan te nemen dat de compacte identiteit van het model de nauwkeurigheid of antwoordkwaliteit vaststelt. De Qwen3-documentatie bespreekt in de uitleg over trainingslengte lengtes van assistentberichten van 38.912 tokens in de denkmodus en 16.384 in de niet-denkmodus en raadt aan de kwaliteit van langere generatie te beoordelen. Deze getallen staan los van het totale contextvenster en zijn geen harde endpointspecifieke limiet.
Deze exacte kaart voegt advies voor aanzienlijke herhaling toe: gebruik de aanbevolen samplingconfiguratie en overweeg presence_penalty 1.5. Sterkere penalties kunnen taalvermenging of prestatievermindering veroorzaken. De denkmodus wordt gecombineerd met temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken met temperature 0.7, top-p 0.8, top-k 20 en min-p 0. De fabrikant waarschuwt tegen greedy decoding in de denkmodus. Inspecteer herhaalde formuleringen, behouden namen en het geselecteerde label; wijs een ongeldig record af, in plaats van leesbare tekst te behandelen als bewijs dat het vereiste formaat is gevolgd.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-0.6b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.001 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-0.6b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-0.6b', '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 qwen3-0.6b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.