Qwen3-235B-A22B brengt de hybride redeneeraanpak van Qwen3 naar een groot mixture-of-experts-model. De tekstmogelijkheden omvatten wiskundige en logische problemen, codegeneratie, creatief schrijven, rolgebaseerde gesprekken en het volgen van instructies over meerdere gespreksbeurten. Het werkt in meer dan 100 talen en dialecten. Lever voor een productontwikkelingsgesprek de eisen, een concreet voorbeeld en het benodigde besluit aan: een ontwerpvergelijking, implementatie of uitleg die een specifieke doelgroep kan gebruiken.
Het model heeft in totaal 235 miljard parameters en activeert er tijdens verwerking 22 miljard. De architectuur bevat 128 experts, selecteert er acht en heeft 94 lagen. Deze getallen identificeren deze release; de kleinere Qwen3-modellen en de FP8-editie hebben afzonderlijke identiteiten. Invoer en uitvoer zijn tekst. Een geschikte engineeringtaak is twee reconciliatiealgoritmen met dezelfde voorbeeldrecords te vergelijken, de randvoorwaarden te benoemen waaraan elk voldoet en het gekozen algoritme met testgevallen terug te geven. Lever de daadwerkelijke veldnamen, regels voor dubbele records en verwachte totalen aan, zodat het antwoord aan het oorspronkelijke probleem kan worden getoetst.
Bereid het verzoek als chatberichten voor en houd bronmateriaal gescheiden van instructies. Neem voor een wiskundige vraag de volledige opgave, toegestane aannames en notatie op en vraag vervolgens om een eindantwoord in een gespecificeerde vorm. Neem voor code de relevante functie, taal, representatieve invoer en waargenomen fout op. Vraag om de kleinste onderbouwde wijziging en beschrijf welk bestaand gedrag behouden moet blijven. Geef voor meertalig schrijven de doelgroep en een terminologielijst, in plaats van om een algemene vertaling te vragen. 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.
Denken en niet-denken zijn modi van hetzelfde model. Het chatsjabloon van de fabrikant schakelt denken standaard in; een harde schakelaar kan het uitschakelen. Wanneer denken ingeschakeld blijft, bieden /think en /no_think besturing per gespreksbeurt, waarbij de recentste instructie voorrang heeft. Een hard uitgeschakelde modus reageert niet op die zachte schakelaars. Houd in een ontwikkelaarsinterface het uiteindelijke antwoord gescheiden van de redeneersectie en neem het uiteindelijke antwoord mee in de latere gespreksgeschiedenis. Kies de modus bewust: een meningsverschil over een algoritme en een korte herschrijving hebben verschillende hoeveelheden analyse nodig. Met denken ingeschakeld behoudt zelfs een zacht verzoek om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
Voor agentworkflows raadt de fabrikant Qwen-Agent aan voor toolsjablonen en parsing. Tools kunnen verbonden diensten of een code-interpreter omvatten; de toepassing definieert en voert ze uit. Geef een assistent bijvoorbeeld een alleen-lezen voorraadopzoekfunctie met gedocumenteerde velden en vraag haar de teruggegeven voorraad met de aangeleverde bestelling te vergelijken. Definieer het doel van de tool, de geaccepteerde argumenten, de resultaatvorm en de machtigingsgrens. Vereis dat het eindantwoord een voorgestelde actie onderscheidt van een bevestigd toolresultaat. De toolgerelateerde mogelijkheden van het model laten op zichzelf geen externe actie plaatsvinden. 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 oorspronkelijke context is 32.768 tokens. De fabrikant valideert 131.072 tokens met YaRN-uitbreiding; dit hangt van de configuratie af en statische schaling kan kortere invoer beïnvloeden. Het contextbudget omvat zowel het verzoek als het gegenereerde antwoord. Benoem bij een lange specificatie de secties die relevant zijn voor het besluit, geef ze labels en reserveer ruimte voor het antwoord, in plaats van het volledige budget met brontekst te vullen. De kaart raadt 32.768 uitvoertokens aan voor de meeste vragen, in plaats van die waarde als universele servicelimiet te verklaren. 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. De kaart verklaart ook de standaardtoewijzing van 40.960 posities als 8.192 tokens voor gebruikelijke prompts plus 32.768 voor uitvoer; dit zijn configuratierichtlijnen van de fabrikant, los van de oorspronkelijke trainingscontext en eventuele endpointlimiet.
De aanbevolen sampling in de denkmodus is temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken gebruikt 0.7, 0.8, 20 en 0. De fabrikant raadt sampling bij decodering aan en waarschuwt dat greedy decoding in de denkmodus herhaling kan veroorzaken. Hogere presence penalties kunnen ook taalvermenging introduceren. Maak het resultaat eenvoudig te inspecteren: vraag om een benoemd eindantwoordveld, een beslistabel met redenen of een codepatch plus voorbeelden. Controleer berekeningen aan de hand van de aangeleverde getallen, voer voorgestelde code in de bedoelde omgeving uit en beoordeel toolresultaten voordat u actie onderneemt.
", "aboutText": "Qwen3-235B-A22B brengt de hybride redeneeraanpak van Qwen3 naar een groot mixture-of-experts-model. De tekstmogelijkheden omvatten wiskundige en logische problemen, codegeneratie, creatief schrijven, rolgebaseerde gesprekken en het volgen van instructies over meerdere gespreksbeurten. Het werkt in meer dan 100 talen en dialecten. Lever voor een productontwikkelingsgesprek de eisen, een concreet voorbeeld en het benodigde besluit aan: een ontwerpvergelijking, implementatie of uitleg die een specifieke doelgroep kan gebruiken.\n\nHet model heeft in totaal 235 miljard parameters en activeert er tijdens verwerking 22 miljard. De architectuur bevat 128 experts, selecteert er acht en heeft 94 lagen. Deze getallen identificeren deze release; de kleinere Qwen3-modellen en de FP8-editie hebben afzonderlijke identiteiten. Invoer en uitvoer zijn tekst. Een geschikte engineeringtaak is twee reconciliatiealgoritmen met dezelfde voorbeeldrecords te vergelijken, de randvoorwaarden te benoemen waaraan elk voldoet en het gekozen algoritme met testgevallen terug te geven. Lever de daadwerkelijke veldnamen, regels voor dubbele records en verwachte totalen aan, zodat het antwoord aan het oorspronkelijke probleem kan worden getoetst.\n\nBereid het verzoek als chatberichten voor en houd bronmateriaal gescheiden van instructies. Neem voor een wiskundige vraag de volledige opgave, toegestane aannames en notatie op en vraag vervolgens om een eindantwoord in een gespecificeerde vorm. Neem voor code de relevante functie, taal, representatieve invoer en waargenomen fout op. Vraag om de kleinste onderbouwde wijziging en beschrijf welk bestaand gedrag behouden moet blijven. Geef voor meertalig schrijven de doelgroep en een terminologielijst, in plaats van om een algemene vertaling te vragen. 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\nDenken en niet-denken zijn modi van hetzelfde model. Het chatsjabloon van de fabrikant schakelt denken standaard in; een harde schakelaar kan het uitschakelen. Wanneer denken ingeschakeld blijft, bieden /think en /no_think besturing per gespreksbeurt, waarbij de recentste instructie voorrang heeft. Een hard uitgeschakelde modus reageert niet op die zachte schakelaars. Houd in een ontwikkelaarsinterface het uiteindelijke antwoord gescheiden van de redeneersectie en neem het uiteindelijke antwoord mee in de latere gespreksgeschiedenis. Kies de modus bewust: een meningsverschil over een algoritme en een korte herschrijving hebben verschillende hoeveelheden analyse nodig. 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\nVoor agentworkflows raadt de fabrikant Qwen-Agent aan voor toolsjablonen en parsing. Tools kunnen verbonden diensten of een code-interpreter omvatten; de toepassing definieert en voert ze uit. Geef een assistent bijvoorbeeld een alleen-lezen voorraadopzoekfunctie met gedocumenteerde velden en vraag haar de teruggegeven voorraad met de aangeleverde bestelling te vergelijken. Definieer het doel van de tool, de geaccepteerde argumenten, de resultaatvorm en de machtigingsgrens. Vereis dat het eindantwoord een voorgestelde actie onderscheidt van een bevestigd toolresultaat. De toolgerelateerde mogelijkheden van het model laten op zichzelf geen externe actie plaatsvinden. 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 oorspronkelijke context is 32.768 tokens. De fabrikant valideert 131.072 tokens met YaRN-uitbreiding; dit hangt van de configuratie af en statische schaling kan kortere invoer beïnvloeden. Het contextbudget omvat zowel het verzoek als het gegenereerde antwoord. Benoem bij een lange specificatie de secties die relevant zijn voor het besluit, geef ze labels en reserveer ruimte voor het antwoord, in plaats van het volledige budget met brontekst te vullen. De kaart raadt 32.768 uitvoertokens aan voor de meeste vragen, in plaats van die waarde als universele servicelimiet te verklaren. 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. De kaart verklaart ook de standaardtoewijzing van 40.960 posities als 8.192 tokens voor gebruikelijke prompts plus 32.768 voor uitvoer; dit zijn configuratierichtlijnen van de fabrikant, los van de oorspronkelijke trainingscontext en eventuele endpointlimiet.\n\nDe aanbevolen sampling in de denkmodus is temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken gebruikt 0.7, 0.8, 20 en 0. De fabrikant raadt sampling bij decodering aan en waarschuwt dat greedy decoding in de denkmodus herhaling kan veroorzaken. Hogere presence penalties kunnen ook taalvermenging introduceren. Maak het resultaat eenvoudig te inspecteren: vraag om een benoemd eindantwoordveld, een beslistabel met redenen of een codepatch plus voorbeelden. Controleer berekeningen aan de hand van de aangeleverde getallen, voer voorgestelde code in de bedoelde omgeving uit en beoordeel toolresultaten voordat u actie onderneemt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B combineert gedetailleerd redeneren en directe tekstantwoorden in één mixture-of-experts-model. Gebruik het voor wiskundige analyse, code, meertalig schrijven en assistenten die met verbonden tools werken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-235B-A22B brengt de hybride redeneeraanpak van Qwen3 naar een groot mixture-of-experts-model. De tekstmogelijkheden omvatten wiskundige en logische problemen, codegeneratie, creatief schrijven, rolgebaseerde gesprekken en het volgen van instructies over meerdere gespreksbeurten. Het werkt in meer dan 100 talen en dialecten. Lever voor een productontwikkelingsgesprek de eisen, een concreet voorbeeld en het benodigde besluit aan: een ontwerpvergelijking, implementatie of uitleg die een specifieke doelgroep kan gebruiken.
Het model heeft in totaal 235 miljard parameters en activeert er tijdens verwerking 22 miljard. De architectuur bevat 128 experts, selecteert er acht en heeft 94 lagen. Deze getallen identificeren deze release; de kleinere Qwen3-modellen en de FP8-editie hebben afzonderlijke identiteiten. Invoer en uitvoer zijn tekst. Een geschikte engineeringtaak is twee reconciliatiealgoritmen met dezelfde voorbeeldrecords te vergelijken, de randvoorwaarden te benoemen waaraan elk voldoet en het gekozen algoritme met testgevallen terug te geven. Lever de daadwerkelijke veldnamen, regels voor dubbele records en verwachte totalen aan, zodat het antwoord aan het oorspronkelijke probleem kan worden getoetst.
Bereid het verzoek als chatberichten voor en houd bronmateriaal gescheiden van instructies. Neem voor een wiskundige vraag de volledige opgave, toegestane aannames en notatie op en vraag vervolgens om een eindantwoord in een gespecificeerde vorm. Neem voor code de relevante functie, taal, representatieve invoer en waargenomen fout op. Vraag om de kleinste onderbouwde wijziging en beschrijf welk bestaand gedrag behouden moet blijven. Geef voor meertalig schrijven de doelgroep en een terminologielijst, in plaats van om een algemene vertaling te vragen. 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.
Denken en niet-denken zijn modi van hetzelfde model. Het chatsjabloon van de fabrikant schakelt denken standaard in; een harde schakelaar kan het uitschakelen. Wanneer denken ingeschakeld blijft, bieden /think en /no_think besturing per gespreksbeurt, waarbij de recentste instructie voorrang heeft. Een hard uitgeschakelde modus reageert niet op die zachte schakelaars. Houd in een ontwikkelaarsinterface het uiteindelijke antwoord gescheiden van de redeneersectie en neem het uiteindelijke antwoord mee in de latere gespreksgeschiedenis. Kies de modus bewust: een meningsverschil over een algoritme en een korte herschrijving hebben verschillende hoeveelheden analyse nodig. Met denken ingeschakeld behoudt zelfs een zacht verzoek om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
Voor agentworkflows raadt de fabrikant Qwen-Agent aan voor toolsjablonen en parsing. Tools kunnen verbonden diensten of een code-interpreter omvatten; de toepassing definieert en voert ze uit. Geef een assistent bijvoorbeeld een alleen-lezen voorraadopzoekfunctie met gedocumenteerde velden en vraag haar de teruggegeven voorraad met de aangeleverde bestelling te vergelijken. Definieer het doel van de tool, de geaccepteerde argumenten, de resultaatvorm en de machtigingsgrens. Vereis dat het eindantwoord een voorgestelde actie onderscheidt van een bevestigd toolresultaat. De toolgerelateerde mogelijkheden van het model laten op zichzelf geen externe actie plaatsvinden. 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 oorspronkelijke context is 32.768 tokens. De fabrikant valideert 131.072 tokens met YaRN-uitbreiding; dit hangt van de configuratie af en statische schaling kan kortere invoer beïnvloeden. Het contextbudget omvat zowel het verzoek als het gegenereerde antwoord. Benoem bij een lange specificatie de secties die relevant zijn voor het besluit, geef ze labels en reserveer ruimte voor het antwoord, in plaats van het volledige budget met brontekst te vullen. De kaart raadt 32.768 uitvoertokens aan voor de meeste vragen, in plaats van die waarde als universele servicelimiet te verklaren. 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. De kaart verklaart ook de standaardtoewijzing van 40.960 posities als 8.192 tokens voor gebruikelijke prompts plus 32.768 voor uitvoer; dit zijn configuratierichtlijnen van de fabrikant, los van de oorspronkelijke trainingscontext en eventuele endpointlimiet.
De aanbevolen sampling in de denkmodus is temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken gebruikt 0.7, 0.8, 20 en 0. De fabrikant raadt sampling bij decodering aan en waarschuwt dat greedy decoding in de denkmodus herhaling kan veroorzaken. Hogere presence penalties kunnen ook taalvermenging introduceren. Maak het resultaat eenvoudig te inspecteren: vraag om een benoemd eindantwoordveld, een beslistabel met redenen of een codepatch plus voorbeelden. Controleer berekeningen aan de hand van de aangeleverde getallen, voer voorgestelde code in de bedoelde omgeving uit en beoordeel toolresultaten voordat u actie onderneemt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-235b-a22b | 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 $0.00114 / 1K tokens Uitvoer · Uitvoertokens $0.00342 / 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": "qwen3-235b-a22b", "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='qwen3-235b-a22b',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='qwen3-235b-a22b',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 qwen3-235b-a22b
Gebruik de hierboven getoonde methodepaden.
qwen3-235b-a22bQwen3-235B-A22B combineert gedetailleerd redeneren en directe tekstantwoorden in één mixture-of-experts-model. Gebruik het voor wiskundige analyse, code, meertalig schrijven en assistenten die met verbonden tools werken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-235B-A22B brengt de hybride redeneeraanpak van Qwen3 naar een groot mixture-of-experts-model. De tekstmogelijkheden omvatten wiskundige en logische problemen, codegeneratie, creatief schrijven, rolgebaseerde gesprekken en het volgen van instructies over meerdere gespreksbeurten. Het werkt in meer dan 100 talen en dialecten. Lever voor een productontwikkelingsgesprek de eisen, een concreet voorbeeld en het benodigde besluit aan: een ontwerpvergelijking, implementatie of uitleg die een specifieke doelgroep kan gebruiken.
Het model heeft in totaal 235 miljard parameters en activeert er tijdens verwerking 22 miljard. De architectuur bevat 128 experts, selecteert er acht en heeft 94 lagen. Deze getallen identificeren deze release; de kleinere Qwen3-modellen en de FP8-editie hebben afzonderlijke identiteiten. Invoer en uitvoer zijn tekst. Een geschikte engineeringtaak is twee reconciliatiealgoritmen met dezelfde voorbeeldrecords te vergelijken, de randvoorwaarden te benoemen waaraan elk voldoet en het gekozen algoritme met testgevallen terug te geven. Lever de daadwerkelijke veldnamen, regels voor dubbele records en verwachte totalen aan, zodat het antwoord aan het oorspronkelijke probleem kan worden getoetst.
Bereid het verzoek als chatberichten voor en houd bronmateriaal gescheiden van instructies. Neem voor een wiskundige vraag de volledige opgave, toegestane aannames en notatie op en vraag vervolgens om een eindantwoord in een gespecificeerde vorm. Neem voor code de relevante functie, taal, representatieve invoer en waargenomen fout op. Vraag om de kleinste onderbouwde wijziging en beschrijf welk bestaand gedrag behouden moet blijven. Geef voor meertalig schrijven de doelgroep en een terminologielijst, in plaats van om een algemene vertaling te vragen. 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.
Denken en niet-denken zijn modi van hetzelfde model. Het chatsjabloon van de fabrikant schakelt denken standaard in; een harde schakelaar kan het uitschakelen. Wanneer denken ingeschakeld blijft, bieden /think en /no_think besturing per gespreksbeurt, waarbij de recentste instructie voorrang heeft. Een hard uitgeschakelde modus reageert niet op die zachte schakelaars. Houd in een ontwikkelaarsinterface het uiteindelijke antwoord gescheiden van de redeneersectie en neem het uiteindelijke antwoord mee in de latere gespreksgeschiedenis. Kies de modus bewust: een meningsverschil over een algoritme en een korte herschrijving hebben verschillende hoeveelheden analyse nodig. Met denken ingeschakeld behoudt zelfs een zacht verzoek om niet te denken een redeneerblok; de inhoud kan leeg zijn. Hard uitschakelen verwijdert dat blok.
Voor agentworkflows raadt de fabrikant Qwen-Agent aan voor toolsjablonen en parsing. Tools kunnen verbonden diensten of een code-interpreter omvatten; de toepassing definieert en voert ze uit. Geef een assistent bijvoorbeeld een alleen-lezen voorraadopzoekfunctie met gedocumenteerde velden en vraag haar de teruggegeven voorraad met de aangeleverde bestelling te vergelijken. Definieer het doel van de tool, de geaccepteerde argumenten, de resultaatvorm en de machtigingsgrens. Vereis dat het eindantwoord een voorgestelde actie onderscheidt van een bevestigd toolresultaat. De toolgerelateerde mogelijkheden van het model laten op zichzelf geen externe actie plaatsvinden. 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 oorspronkelijke context is 32.768 tokens. De fabrikant valideert 131.072 tokens met YaRN-uitbreiding; dit hangt van de configuratie af en statische schaling kan kortere invoer beïnvloeden. Het contextbudget omvat zowel het verzoek als het gegenereerde antwoord. Benoem bij een lange specificatie de secties die relevant zijn voor het besluit, geef ze labels en reserveer ruimte voor het antwoord, in plaats van het volledige budget met brontekst te vullen. De kaart raadt 32.768 uitvoertokens aan voor de meeste vragen, in plaats van die waarde als universele servicelimiet te verklaren. 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. De kaart verklaart ook de standaardtoewijzing van 40.960 posities als 8.192 tokens voor gebruikelijke prompts plus 32.768 voor uitvoer; dit zijn configuratierichtlijnen van de fabrikant, los van de oorspronkelijke trainingscontext en eventuele endpointlimiet.
De aanbevolen sampling in de denkmodus is temperature 0.6, top-p 0.95, top-k 20 en min-p 0; niet-denken gebruikt 0.7, 0.8, 20 en 0. De fabrikant raadt sampling bij decodering aan en waarschuwt dat greedy decoding in de denkmodus herhaling kan veroorzaken. Hogere presence penalties kunnen ook taalvermenging introduceren. Maak het resultaat eenvoudig te inspecteren: vraag om een benoemd eindantwoordveld, een beslistabel met redenen of een codepatch plus voorbeelden. Controleer berekeningen aan de hand van de aangeleverde getallen, voer voorgestelde code in de bedoelde omgeving uit en beoordeel toolresultaten voordat u actie onderneemt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-235b-a22b | 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 $0.00114 / 1K tokens Uitvoer · Uitvoertokens $0.00342 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-235b-a22b', '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': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.