Qwen3-4B past Qwen3’s hybride antwoordopzet toe op een compact, dicht taalmodel. De ontwikkelaar beschrijft wiskundig en logisch redeneren, codegeneratie, creatief schrijven, rolgebonden interactie en gesprekken over meerdere beurten, naast het volgen van instructies in meer dan 100 talen en dialecten. Een gerichte redactionele of technische taak is een nuttige toepassing: geef een specifiek bronfragment en vraag om één duidelijk omschreven bewerking in plaats van een open overzicht.
De release bevat vier miljard parameters, waarvan 3,6 miljard buiten de embeddings, en heeft 36 lagen. Grouped-query attention gebruikt 32 querykoppen en acht key/value-koppen. Tekst is zowel de invoer als de uitvoer. Deze modelkaart beschrijft de oorspronkelijke hybride Qwen3-4B-release, geen latere, gedateerde Thinking- of Instruct-editie. Een praktisch voorbeeld is een korte incidentnotitie omzetten in een operationele overdracht met de waargenomen fout, de bekende gevolgen en de volgende onderzoeksstap. Geef die feiten als afzonderlijke velden en eis dat het model ontbrekende informatie markeert in plaats van die in te vullen.
Bereid de instructie en de bron voor als afzonderlijke delen van een chatbericht. Voeg voor programmeren een kleine functie, representatieve invoer en de gewenste retourwaarde toe en vraag vervolgens om een uitleg of een nauw afgebakende wijziging. Vraag als onderdeel van de uitvoer om een gewoon geval en een randgeval. Benoem voor een schrijftaak de doelgroep, de lengte en de woorden die ongewijzigd moeten blijven. Geef voor een classificatietaak de toegestane labels, hun definities en een uitvoervoorbeeld; controleer daarna of de teruggegeven keuze in die lijst staat. De gepubliceerde integratie verwacht een runtime die Qwen3 herkent; de modelkaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
Redeneren en antwoorden zonder redeneren zijn in dezelfde release ingebouwd. In de sjabloon van de ontwikkelaar staat redeneren standaard aan en schakelt een harde schakelaar het uit. Met redeneren ingeschakeld zijn /think en /no_think zachte instructies waarmee het gedrag tussen beurten kan veranderen; de laatste instructie geldt. Ze activeren een hard uitgeschakelde modus niet opnieuw. Een korte tekstbewerking kan om een direct antwoord vragen, terwijl een uitleg van tegenstrijdige voorwaarden redeneren kan gebruiken. Bewaar het definitieve antwoord als bruikbaar resultaat van een gespreksbeurt, in plaats van eerdere redeneertekst. Met redeneren ingeschakeld behoudt zelfs een zacht verzoek om niet te redeneren een redeneerblok; de inhoud daarvan kan leeg zijn. De harde uitschakeling verwijdert dat blok.
De modelkaart omvat agentisch gebruik en beveelt Qwen-Agent aan voor tooldefinities en het verwerken van toolaanroepen. Voor een assistent die een binnenkomend ticket classificeert en daarna een categoriebeschrijving opzoekt, stelt de applicatie de opzoektool beschikbaar, voert zij een geaccepteerde aanroep uit en levert zij het resultaat aan. Definieer vooraf de argumenten en de verwachte velden. Vraag om een definitief ticketrecord met de gekozen categorie, een korte onderbouwing en eventuele onbekende velden. Valideer het record en bewaar het toolresultaat waarmee het is gemaakt. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en aanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggegeven.
De exacte modelkaart vermeldt 32.768 oorspronkelijke contexttokens en documenteert uitbreiding tot 131.072 met YaRN. Het uitgebreide aantal hangt samen met de configuratie; statische schaling kan kortere invoer beïnvloeden. Plan de volledige aanvraag en het antwoord samen. Label bij een verzameling korte notities elk item, vraag om een overeenkomstige uitvoeridentificatie en gebruik een beknopt schema zodat het gegenereerde resultaat nog past. De uitvoerlengtevoorbeelden en aanbevelingen uit de modelkaart vormen geen universele harde generatielimiet. De Qwen3-documentatie bespreekt in haar uitleg over de trainingslengte assistentberichten van 38.912 tokens in de redeneermodus en 16.384 zonder redeneren, en beveelt aan de kwaliteit van langere generaties te evalueren. Die aantallen staan los van het totale contextvenster en zijn geen harde limiet van een specifiek endpoint. De modelkaart verklaart ook de standaardtoewijzing van 40.960 posities als 8.192 voor gebruikelijke prompts plus 32.768 voor uitvoer; dit is configuratieadvies van de ontwikkelaar, los van de oorspronkelijke trainingscontext en een eventuele endpointlimiet.
Deze editie bevat een aanvullende waarschuwing over aanhoudende herhaling. De ontwikkelaar verwijst naar de aanbevolen samplingconfiguratie en stelt presence_penalty 1.5 voor bij aanzienlijke herhaling. Het algemene advies vermeldt dat sterkere straffen uitvoer in gemengde talen kunnen veroorzaken of de kwaliteit kunnen verlagen, dus dit is een gerichte instelling en geen garantie. De redeneermodus gebruikt temperature 0.6, top-p 0.95, top-k 20 en min-p 0; zonder redeneren zijn dat 0.7, 0.8, 20 en 0. Vermijd greedy decoding voor redeneren, eis een duidelijk afgebakend eindantwoord en controleer het resultaat op herhaalde zinsdelen, ontbrekende velden en gewijzigde terminologie.
", "aboutText": "Qwen3-4B past Qwen3’s hybride antwoordopzet toe op een compact, dicht taalmodel. De ontwikkelaar beschrijft wiskundig en logisch redeneren, codegeneratie, creatief schrijven, rolgebonden interactie en gesprekken over meerdere beurten, naast het volgen van instructies in meer dan 100 talen en dialecten. Een gerichte redactionele of technische taak is een nuttige toepassing: geef een specifiek bronfragment en vraag om één duidelijk omschreven bewerking in plaats van een open overzicht.\n\nDe release bevat vier miljard parameters, waarvan 3,6 miljard buiten de embeddings, en heeft 36 lagen. Grouped-query attention gebruikt 32 querykoppen en acht key/value-koppen. Tekst is zowel de invoer als de uitvoer. Deze modelkaart beschrijft de oorspronkelijke hybride Qwen3-4B-release, geen latere, gedateerde Thinking- of Instruct-editie. Een praktisch voorbeeld is een korte incidentnotitie omzetten in een operationele overdracht met de waargenomen fout, de bekende gevolgen en de volgende onderzoeksstap. Geef die feiten als afzonderlijke velden en eis dat het model ontbrekende informatie markeert in plaats van die in te vullen.\n\nBereid de instructie en de bron voor als afzonderlijke delen van een chatbericht. Voeg voor programmeren een kleine functie, representatieve invoer en de gewenste retourwaarde toe en vraag vervolgens om een uitleg of een nauw afgebakende wijziging. Vraag als onderdeel van de uitvoer om een gewoon geval en een randgeval. Benoem voor een schrijftaak de doelgroep, de lengte en de woorden die ongewijzigd moeten blijven. Geef voor een classificatietaak de toegestane labels, hun definities en een uitvoervoorbeeld; controleer daarna of de teruggegeven keuze in die lijst staat. De gepubliceerde integratie verwacht een runtime die Qwen3 herkent; de modelkaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.\n\nRedeneren en antwoorden zonder redeneren zijn in dezelfde release ingebouwd. In de sjabloon van de ontwikkelaar staat redeneren standaard aan en schakelt een harde schakelaar het uit. Met redeneren ingeschakeld zijn /think en /no_think zachte instructies waarmee het gedrag tussen beurten kan veranderen; de laatste instructie geldt. Ze activeren een hard uitgeschakelde modus niet opnieuw. Een korte tekstbewerking kan om een direct antwoord vragen, terwijl een uitleg van tegenstrijdige voorwaarden redeneren kan gebruiken. Bewaar het definitieve antwoord als bruikbaar resultaat van een gespreksbeurt, in plaats van eerdere redeneertekst. Met redeneren ingeschakeld behoudt zelfs een zacht verzoek om niet te redeneren een redeneerblok; de inhoud daarvan kan leeg zijn. De harde uitschakeling verwijdert dat blok.\n\nDe modelkaart omvat agentisch gebruik en beveelt Qwen-Agent aan voor tooldefinities en het verwerken van toolaanroepen. Voor een assistent die een binnenkomend ticket classificeert en daarna een categoriebeschrijving opzoekt, stelt de applicatie de opzoektool beschikbaar, voert zij een geaccepteerde aanroep uit en levert zij het resultaat aan. Definieer vooraf de argumenten en de verwachte velden. Vraag om een definitief ticketrecord met de gekozen categorie, een korte onderbouwing en eventuele onbekende velden. Valideer het record en bewaar het toolresultaat waarmee het is gemaakt. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en aanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggegeven.\n\nDe exacte modelkaart vermeldt 32.768 oorspronkelijke contexttokens en documenteert uitbreiding tot 131.072 met YaRN. Het uitgebreide aantal hangt samen met de configuratie; statische schaling kan kortere invoer beïnvloeden. Plan de volledige aanvraag en het antwoord samen. Label bij een verzameling korte notities elk item, vraag om een overeenkomstige uitvoeridentificatie en gebruik een beknopt schema zodat het gegenereerde resultaat nog past. De uitvoerlengtevoorbeelden en aanbevelingen uit de modelkaart vormen geen universele harde generatielimiet. De Qwen3-documentatie bespreekt in haar uitleg over de trainingslengte assistentberichten van 38.912 tokens in de redeneermodus en 16.384 zonder redeneren, en beveelt aan de kwaliteit van langere generaties te evalueren. Die aantallen staan los van het totale contextvenster en zijn geen harde limiet van een specifiek endpoint. De modelkaart verklaart ook de standaardtoewijzing van 40.960 posities als 8.192 voor gebruikelijke prompts plus 32.768 voor uitvoer; dit is configuratieadvies van de ontwikkelaar, los van de oorspronkelijke trainingscontext en een eventuele endpointlimiet.\n\nDeze editie bevat een aanvullende waarschuwing over aanhoudende herhaling. De ontwikkelaar verwijst naar de aanbevolen samplingconfiguratie en stelt presence_penalty 1.5 voor bij aanzienlijke herhaling. Het algemene advies vermeldt dat sterkere straffen uitvoer in gemengde talen kunnen veroorzaken of de kwaliteit kunnen verlagen, dus dit is een gerichte instelling en geen garantie. De redeneermodus gebruikt temperature 0.6, top-p 0.95, top-k 20 en min-p 0; zonder redeneren zijn dat 0.7, 0.8, 20 en 0. Vermijd greedy decoding voor redeneren, eis een duidelijk afgebakend eindantwoord en controleer het resultaat op herhaalde zinsdelen, ontbrekende velden en gewijzigde terminologie.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.qwen3-4bQwen3-4B is een tekstmodel met vier miljard parameters voor het volgen van instructies, meertalige dialoog en code. Het hybride ontwerp ondersteunt zowel directe antwoorden als een denkmodus, met editiegebonden richtlijnen voor het beheersen van herhaling.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-4B past Qwen3’s hybride antwoordopzet toe op een compact, dicht taalmodel. De ontwikkelaar beschrijft wiskundig en logisch redeneren, codegeneratie, creatief schrijven, rolgebonden interactie en gesprekken over meerdere beurten, naast het volgen van instructies in meer dan 100 talen en dialecten. Een gerichte redactionele of technische taak is een nuttige toepassing: geef een specifiek bronfragment en vraag om één duidelijk omschreven bewerking in plaats van een open overzicht.
De release bevat vier miljard parameters, waarvan 3,6 miljard buiten de embeddings, en heeft 36 lagen. Grouped-query attention gebruikt 32 querykoppen en acht key/value-koppen. Tekst is zowel de invoer als de uitvoer. Deze modelkaart beschrijft de oorspronkelijke hybride Qwen3-4B-release, geen latere, gedateerde Thinking- of Instruct-editie. Een praktisch voorbeeld is een korte incidentnotitie omzetten in een operationele overdracht met de waargenomen fout, de bekende gevolgen en de volgende onderzoeksstap. Geef die feiten als afzonderlijke velden en eis dat het model ontbrekende informatie markeert in plaats van die in te vullen.
Bereid de instructie en de bron voor als afzonderlijke delen van een chatbericht. Voeg voor programmeren een kleine functie, representatieve invoer en de gewenste retourwaarde toe en vraag vervolgens om een uitleg of een nauw afgebakende wijziging. Vraag als onderdeel van de uitvoer om een gewoon geval en een randgeval. Benoem voor een schrijftaak de doelgroep, de lengte en de woorden die ongewijzigd moeten blijven. Geef voor een classificatietaak de toegestane labels, hun definities en een uitvoervoorbeeld; controleer daarna of de teruggegeven keuze in die lijst staat. De gepubliceerde integratie verwacht een runtime die Qwen3 herkent; de modelkaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
Redeneren en antwoorden zonder redeneren zijn in dezelfde release ingebouwd. In de sjabloon van de ontwikkelaar staat redeneren standaard aan en schakelt een harde schakelaar het uit. Met redeneren ingeschakeld zijn /think en /no_think zachte instructies waarmee het gedrag tussen beurten kan veranderen; de laatste instructie geldt. Ze activeren een hard uitgeschakelde modus niet opnieuw. Een korte tekstbewerking kan om een direct antwoord vragen, terwijl een uitleg van tegenstrijdige voorwaarden redeneren kan gebruiken. Bewaar het definitieve antwoord als bruikbaar resultaat van een gespreksbeurt, in plaats van eerdere redeneertekst. Met redeneren ingeschakeld behoudt zelfs een zacht verzoek om niet te redeneren een redeneerblok; de inhoud daarvan kan leeg zijn. De harde uitschakeling verwijdert dat blok.
De modelkaart omvat agentisch gebruik en beveelt Qwen-Agent aan voor tooldefinities en het verwerken van toolaanroepen. Voor een assistent die een binnenkomend ticket classificeert en daarna een categoriebeschrijving opzoekt, stelt de applicatie de opzoektool beschikbaar, voert zij een geaccepteerde aanroep uit en levert zij het resultaat aan. Definieer vooraf de argumenten en de verwachte velden. Vraag om een definitief ticketrecord met de gekozen categorie, een korte onderbouwing en eventuele onbekende velden. Valideer het record en bewaar het toolresultaat waarmee het is gemaakt. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en aanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggegeven.
De exacte modelkaart vermeldt 32.768 oorspronkelijke contexttokens en documenteert uitbreiding tot 131.072 met YaRN. Het uitgebreide aantal hangt samen met de configuratie; statische schaling kan kortere invoer beïnvloeden. Plan de volledige aanvraag en het antwoord samen. Label bij een verzameling korte notities elk item, vraag om een overeenkomstige uitvoeridentificatie en gebruik een beknopt schema zodat het gegenereerde resultaat nog past. De uitvoerlengtevoorbeelden en aanbevelingen uit de modelkaart vormen geen universele harde generatielimiet. De Qwen3-documentatie bespreekt in haar uitleg over de trainingslengte assistentberichten van 38.912 tokens in de redeneermodus en 16.384 zonder redeneren, en beveelt aan de kwaliteit van langere generaties te evalueren. Die aantallen staan los van het totale contextvenster en zijn geen harde limiet van een specifiek endpoint. De modelkaart verklaart ook de standaardtoewijzing van 40.960 posities als 8.192 voor gebruikelijke prompts plus 32.768 voor uitvoer; dit is configuratieadvies van de ontwikkelaar, los van de oorspronkelijke trainingscontext en een eventuele endpointlimiet.
Deze editie bevat een aanvullende waarschuwing over aanhoudende herhaling. De ontwikkelaar verwijst naar de aanbevolen samplingconfiguratie en stelt presence_penalty 1.5 voor bij aanzienlijke herhaling. Het algemene advies vermeldt dat sterkere straffen uitvoer in gemengde talen kunnen veroorzaken of de kwaliteit kunnen verlagen, dus dit is een gerichte instelling en geen garantie. De redeneermodus gebruikt temperature 0.6, top-p 0.95, top-k 20 en min-p 0; zonder redeneren zijn dat 0.7, 0.8, 20 en 0. Vermijd greedy decoding voor redeneren, eis een duidelijk afgebakend eindantwoord en controleer het resultaat op herhaalde zinsdelen, ontbrekende velden en gewijzigde terminologie.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-4b | 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": "qwen3-4b", "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='qwen3-4b',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='qwen3-4b',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 qwen3-4b
Gebruik de hierboven getoonde methodepaden.
qwen3-4bQwen3-4B is een tekstmodel met vier miljard parameters voor het volgen van instructies, meertalige dialoog en code. Het hybride ontwerp ondersteunt zowel directe antwoorden als een denkmodus, met editiegebonden richtlijnen voor het beheersen van herhaling.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-4B past Qwen3’s hybride antwoordopzet toe op een compact, dicht taalmodel. De ontwikkelaar beschrijft wiskundig en logisch redeneren, codegeneratie, creatief schrijven, rolgebonden interactie en gesprekken over meerdere beurten, naast het volgen van instructies in meer dan 100 talen en dialecten. Een gerichte redactionele of technische taak is een nuttige toepassing: geef een specifiek bronfragment en vraag om één duidelijk omschreven bewerking in plaats van een open overzicht.
De release bevat vier miljard parameters, waarvan 3,6 miljard buiten de embeddings, en heeft 36 lagen. Grouped-query attention gebruikt 32 querykoppen en acht key/value-koppen. Tekst is zowel de invoer als de uitvoer. Deze modelkaart beschrijft de oorspronkelijke hybride Qwen3-4B-release, geen latere, gedateerde Thinking- of Instruct-editie. Een praktisch voorbeeld is een korte incidentnotitie omzetten in een operationele overdracht met de waargenomen fout, de bekende gevolgen en de volgende onderzoeksstap. Geef die feiten als afzonderlijke velden en eis dat het model ontbrekende informatie markeert in plaats van die in te vullen.
Bereid de instructie en de bron voor als afzonderlijke delen van een chatbericht. Voeg voor programmeren een kleine functie, representatieve invoer en de gewenste retourwaarde toe en vraag vervolgens om een uitleg of een nauw afgebakende wijziging. Vraag als onderdeel van de uitvoer om een gewoon geval en een randgeval. Benoem voor een schrijftaak de doelgroep, de lengte en de woorden die ongewijzigd moeten blijven. Geef voor een classificatietaak de toegestane labels, hun definities en een uitvoervoorbeeld; controleer daarna of de teruggegeven keuze in die lijst staat. De gepubliceerde integratie verwacht een runtime die Qwen3 herkent; de modelkaart waarschuwt dat Transformers-versies lager dan 4.51.0 de vereiste architectuur niet herkennen.
Redeneren en antwoorden zonder redeneren zijn in dezelfde release ingebouwd. In de sjabloon van de ontwikkelaar staat redeneren standaard aan en schakelt een harde schakelaar het uit. Met redeneren ingeschakeld zijn /think en /no_think zachte instructies waarmee het gedrag tussen beurten kan veranderen; de laatste instructie geldt. Ze activeren een hard uitgeschakelde modus niet opnieuw. Een korte tekstbewerking kan om een direct antwoord vragen, terwijl een uitleg van tegenstrijdige voorwaarden redeneren kan gebruiken. Bewaar het definitieve antwoord als bruikbaar resultaat van een gespreksbeurt, in plaats van eerdere redeneertekst. Met redeneren ingeschakeld behoudt zelfs een zacht verzoek om niet te redeneren een redeneerblok; de inhoud daarvan kan leeg zijn. De harde uitschakeling verwijdert dat blok.
De modelkaart omvat agentisch gebruik en beveelt Qwen-Agent aan voor tooldefinities en het verwerken van toolaanroepen. Voor een assistent die een binnenkomend ticket classificeert en daarna een categoriebeschrijving opzoekt, stelt de applicatie de opzoektool beschikbaar, voert zij een geaccepteerde aanroep uit en levert zij het resultaat aan. Definieer vooraf de argumenten en de verwachte velden. Vraag om een definitief ticketrecord met de gekozen categorie, een korte onderbouwing en eventuele onbekende velden. Valideer het record en bewaar het toolresultaat waarmee het is gemaakt. De Qwen3-handleiding beschrijft ook parallelle toolaanroepen en aanroepen in meerdere stappen, met argumenten als objecten en resultaten die in het gesprek worden teruggegeven.
De exacte modelkaart vermeldt 32.768 oorspronkelijke contexttokens en documenteert uitbreiding tot 131.072 met YaRN. Het uitgebreide aantal hangt samen met de configuratie; statische schaling kan kortere invoer beïnvloeden. Plan de volledige aanvraag en het antwoord samen. Label bij een verzameling korte notities elk item, vraag om een overeenkomstige uitvoeridentificatie en gebruik een beknopt schema zodat het gegenereerde resultaat nog past. De uitvoerlengtevoorbeelden en aanbevelingen uit de modelkaart vormen geen universele harde generatielimiet. De Qwen3-documentatie bespreekt in haar uitleg over de trainingslengte assistentberichten van 38.912 tokens in de redeneermodus en 16.384 zonder redeneren, en beveelt aan de kwaliteit van langere generaties te evalueren. Die aantallen staan los van het totale contextvenster en zijn geen harde limiet van een specifiek endpoint. De modelkaart verklaart ook de standaardtoewijzing van 40.960 posities als 8.192 voor gebruikelijke prompts plus 32.768 voor uitvoer; dit is configuratieadvies van de ontwikkelaar, los van de oorspronkelijke trainingscontext en een eventuele endpointlimiet.
Deze editie bevat een aanvullende waarschuwing over aanhoudende herhaling. De ontwikkelaar verwijst naar de aanbevolen samplingconfiguratie en stelt presence_penalty 1.5 voor bij aanzienlijke herhaling. Het algemene advies vermeldt dat sterkere straffen uitvoer in gemengde talen kunnen veroorzaken of de kwaliteit kunnen verlagen, dus dit is een gerichte instelling en geen garantie. De redeneermodus gebruikt temperature 0.6, top-p 0.95, top-k 20 en min-p 0; zonder redeneren zijn dat 0.7, 0.8, 20 en 0. Vermijd greedy decoding voor redeneren, eis een duidelijk afgebakend eindantwoord en controleer het resultaat op herhaalde zinsdelen, ontbrekende velden en gewijzigde terminologie.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen3-4b | 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 $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen3-4b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-4b', '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': 'qwen3-4b', '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 qwen3-4b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.