Najważniejsze cechy: ustalona aktualizacja Instruct-2507
Qwen3-30B-A3B-Instruct-2507 to zaktualizowana edycja Qwen3-30B-A3B bez myślenia. Producent podkreśla ulepszenia w wykonywaniu instrukcji, rozumowaniu logicznym, rozumieniu tekstu, matematyce, nauce, programowaniu i korzystaniu z narzędzi, wraz z szerszą wiedzą o mniej popularnych zagadnieniach w wielu językach i lepszym dopasowaniem do zadań otwartych. Przyjmuje tekst i tworzy tekst: odpowiedź, wyjaśnienie, propozycję kodu lub żądany tekst.
Zachowaj rozróżnienie między ustaloną tożsamością 2507 a pierwotnym hybrydowym Qwen3-30B-A3B, jego wersją FP8 i edycją Thinking-2507. Opis wiedzy wielojęzycznej modelu nie daje osobnej gwarancji liczby języków dla tej wersji. Określ język docelowy, odbiorców i terminy, które powinny pozostać bez zmian, gdy zadanie obejmuje tłumaczenie lub przeredagowanie.
Przegląd modelu
Model mixture-of-experts ma łącznie 30,5 miliarda parametrów i aktywuje 3,3 miliarda. Ma 48 warstw, 128 ekspertów i ośmiu ekspertów wybieranych na token. Jego natywny kontekst wynosi 262 144 tokeny. Aktywowane parametry nie oznaczają rozmiaru całego checkpointu, a sama architektura nie określa stałego czasu odpowiedzi w aplikacji.
Ta edycja obsługuje tylko tryb bez myślenia i nie generuje jawnych bloków myślenia. Ustawienie enable_thinking=False nie jest potrzebne w instrukcji użycia producenta. Nadal może pokazywać obliczenia lub wyjaśniać kod w zwykłym tekście; prośba o uzasadniające kroki nie zmienia jej w osobny checkpoint Thinking.
Przygotowanie przydatnego żądania tekstowego
W zadaniu programistycznym podaj odpowiednią funkcję lub moduł, ograniczenia wejścia, zaobserwowane zachowanie i wymagany wynik. Poproś o proponowaną poprawkę lub pełną funkcję z wyjaśnieniem założeń, na które wpływa zmiana. W pytaniu matematycznym lub naukowym podaj pełną treść, jednostki i definicje, a następnie poproś o wyraźnie wydzieloną końcową odpowiedź popartą dostarczonymi warunkami.
W otwartym zadaniu pisarskim określ odbiorców, cel, ton i informacje, które muszą się pojawić. Przydatna odpowiedź może być edytowalnym szkicem zorganizowanym według żądanych sekcji, z osobno wskazanymi niepopartymi założeniami. Porównaj zwrócony szkic, obliczenia lub proponowany kod z dostarczonymi faktami, definicjami i wymaganiami.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Określ dozwolone działania i obserwowalne warunki zakończenia. Podłączone narzędzia wykonują operacje zewnętrzne i zwracają obserwacje; model może wykorzystać te informacje zwrotne w kolejnej odpowiedzi. Proponowane polecenie lub twierdzenie o pobranym źródle powinno pozostawać odrębne od wyniku rzeczywiście zwróconego przez przepływ pracy.
Jasnym końcowym rezultatem może być propozycja kodu, tabela dowodów lub zwięzły raport. Obsługa narzędzi sama w sobie nie tworzy dostępu do aktualnych źródeł, plików czy środowiska wykonawczego przez każdy interfejs. Zachowaj kontrakt odpowiedzi bez myślenia dla dokładnie tego modelu zamiast przenosić przełączniki promptu z modelu hybrydowego lub pule wyjścia z edycji Thinking.
Przetwarzanie bardzo długiego tekstu
Producent dokumentuje opcjonalny przepływ pracy sięgający około miliona tokenów przez Dual Chunk Attention i uwagę rzadką MInference. Pierwszy mechanizm dzieli długą sekwencję na przetwarzalne fragmenty, zachowując interakcje między nimi; drugi skupia obliczenia na wybranych relacjach uwagi. Jest to dodatkowa ścieżka konfiguracji poza natywnym kontekstem 262 144 tokenów, wykorzystująca specjalną konfigurację długiego kontekstu.
Instrukcja szacuje około 240 GB całkowitej pamięci GPU na wagi modelu, buforowany stan sekwencji i szczytowe aktywacje. Opisuje też osobne problemy pojemności związane z pamięcią podręczną sekwencji, pamięcią aktywacji lub wejściem przekraczającym skonfigurowaną długość. Przepływ pracy z milionem tokenów zależy więc od konfiguracji i zasobów; głównego hasła nie należy traktować jako bezwarunkowego ustawienia domyślnego.
Przygotuj długi tekst wejściowy z granicami dokumentów, nazwami sekcji lub identyfikatorami kodu i konkretnym pytaniem. Zarezerwuj miejsce na odpowiedź i poproś o dowody wspierające każdy wniosek.
Zalecenia generowania
Dobre praktyki zalecają temperature 0,7, top_p 0,8, top_k 20 i min_p 0. Tam, gdzie jest to obsługiwane, presence penalty między zerem a dwoma może zmniejszać powtarzanie tekstu, natomiast wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Producent zaleca pulę wyjścia wynoszącą 16 384 tokeny dla większości zapytań, zamiast dłuższych budżetów udokumentowanych dla Thinking-2507. Jest to zalecenie, a nie osobno ustalony twardy limit wyjścia.
Wyraźnie określ końcowy format, taki jak matematyczny znacznik ograniczający lub pole odpowiedzi. Udokumentowanym wejściem modelu jest tekst, więc dowody wizualne lub dźwiękowe wymagają odpowiedniej osobnej reprezentacji przed tym przepływem pracy. Sprawdź obliczenia, cytaty i wygenerowany kod względem źródła. Przydatnym wynikiem jest kompletny rezultat tekstowy nadający się do przeglądu, w którym ustalona tożsamość Instruct-2507, tryb bez myślenia i warunkowa procedura długiego kontekstu pozostają jasne.
", "aboutText": "Najważniejsze cechy: ustalona aktualizacja Instruct-2507\n\nQwen3-30B-A3B-Instruct-2507 to zaktualizowana edycja Qwen3-30B-A3B bez myślenia. Producent podkreśla ulepszenia w wykonywaniu instrukcji, rozumowaniu logicznym, rozumieniu tekstu, matematyce, nauce, programowaniu i korzystaniu z narzędzi, wraz z szerszą wiedzą o mniej popularnych zagadnieniach w wielu językach i lepszym dopasowaniem do zadań otwartych. Przyjmuje tekst i tworzy tekst: odpowiedź, wyjaśnienie, propozycję kodu lub żądany tekst.\n\nZachowaj rozróżnienie między ustaloną tożsamością 2507 a pierwotnym hybrydowym Qwen3-30B-A3B, jego wersją FP8 i edycją Thinking-2507. Opis wiedzy wielojęzycznej modelu nie daje osobnej gwarancji liczby języków dla tej wersji. Określ język docelowy, odbiorców i terminy, które powinny pozostać bez zmian, gdy zadanie obejmuje tłumaczenie lub przeredagowanie.\n\nPrzegląd modelu\n\nModel mixture-of-experts ma łącznie 30,5 miliarda parametrów i aktywuje 3,3 miliarda. Ma 48 warstw, 128 ekspertów i ośmiu ekspertów wybieranych na token. Jego natywny kontekst wynosi 262 144 tokeny. Aktywowane parametry nie oznaczają rozmiaru całego checkpointu, a sama architektura nie określa stałego czasu odpowiedzi w aplikacji.\n\nTa edycja obsługuje tylko tryb bez myślenia i nie generuje jawnych bloków myślenia. Ustawienie enable_thinking=False nie jest potrzebne w instrukcji użycia producenta. Nadal może pokazywać obliczenia lub wyjaśniać kod w zwykłym tekście; prośba o uzasadniające kroki nie zmienia jej w osobny checkpoint Thinking.\n\nPrzygotowanie przydatnego żądania tekstowego\n\nW zadaniu programistycznym podaj odpowiednią funkcję lub moduł, ograniczenia wejścia, zaobserwowane zachowanie i wymagany wynik. Poproś o proponowaną poprawkę lub pełną funkcję z wyjaśnieniem założeń, na które wpływa zmiana. W pytaniu matematycznym lub naukowym podaj pełną treść, jednostki i definicje, a następnie poproś o wyraźnie wydzieloną końcową odpowiedź popartą dostarczonymi warunkami.\n\nW otwartym zadaniu pisarskim określ odbiorców, cel, ton i informacje, które muszą się pojawić. Przydatna odpowiedź może być edytowalnym szkicem zorganizowanym według żądanych sekcji, z osobno wskazanymi niepopartymi założeniami. Porównaj zwrócony szkic, obliczenia lub proponowany kod z dostarczonymi faktami, definicjami i wymaganiami.\n\nZastosowania agentowe\n\nQwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Określ dozwolone działania i obserwowalne warunki zakończenia. Podłączone narzędzia wykonują operacje zewnętrzne i zwracają obserwacje; model może wykorzystać te informacje zwrotne w kolejnej odpowiedzi. Proponowane polecenie lub twierdzenie o pobranym źródle powinno pozostawać odrębne od wyniku rzeczywiście zwróconego przez przepływ pracy.\n\nJasnym końcowym rezultatem może być propozycja kodu, tabela dowodów lub zwięzły raport. Obsługa narzędzi sama w sobie nie tworzy dostępu do aktualnych źródeł, plików czy środowiska wykonawczego przez każdy interfejs. Zachowaj kontrakt odpowiedzi bez myślenia dla dokładnie tego modelu zamiast przenosić przełączniki promptu z modelu hybrydowego lub pule wyjścia z edycji Thinking.\n\nPrzetwarzanie bardzo długiego tekstu\n\nProducent dokumentuje opcjonalny przepływ pracy sięgający około miliona tokenów przez Dual Chunk Attention i uwagę rzadką MInference. Pierwszy mechanizm dzieli długą sekwencję na przetwarzalne fragmenty, zachowując interakcje między nimi; drugi skupia obliczenia na wybranych relacjach uwagi. Jest to dodatkowa ścieżka konfiguracji poza natywnym kontekstem 262 144 tokenów, wykorzystująca specjalną konfigurację długiego kontekstu.\n\nInstrukcja szacuje około 240 GB całkowitej pamięci GPU na wagi modelu, buforowany stan sekwencji i szczytowe aktywacje. Opisuje też osobne problemy pojemności związane z pamięcią podręczną sekwencji, pamięcią aktywacji lub wejściem przekraczającym skonfigurowaną długość. Przepływ pracy z milionem tokenów zależy więc od konfiguracji i zasobów; głównego hasła nie należy traktować jako bezwarunkowego ustawienia domyślnego.\n\nPrzygotuj długi tekst wejściowy z granicami dokumentów, nazwami sekcji lub identyfikatorami kodu i konkretnym pytaniem. Zarezerwuj miejsce na odpowiedź i poproś o dowody wspierające każdy wniosek.\n\nZalecenia generowania\n\nDobre praktyki zalecają temperature 0,7, top_p 0,8, top_k 20 i min_p 0. Tam, gdzie jest to obsługiwane, presence penalty między zerem a dwoma może zmniejszać powtarzanie tekstu, natomiast wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Producent zaleca pulę wyjścia wynoszącą 16 384 tokeny dla większości zapytań, zamiast dłuższych budżetów udokumentowanych dla Thinking-2507. Jest to zalecenie, a nie osobno ustalony twardy limit wyjścia.\n\nWyraźnie określ końcowy format, taki jak matematyczny znacznik ograniczający lub pole odpowiedzi. Udokumentowanym wejściem modelu jest tekst, więc dowody wizualne lub dźwiękowe wymagają odpowiedniej osobnej reprezentacji przed tym przepływem pracy. Sprawdź obliczenia, cytaty i wygenerowany kod względem źródła. Przydatnym wynikiem jest kompletny rezultat tekstowy nadający się do przeglądu, w którym ustalona tożsamość Instruct-2507, tryb bez myślenia i warunkowa procedura długiego kontekstu pozostają jasne.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 to ustalona lipcowa edycja tekstowa 2507 Qwen bez myślenia, z 30,5 miliarda parametrów łącznie i 3,3 miliarda aktywowanych. Ulepsza wykonywanie instrukcji, programowanie, wiedzę wielojęzyczną i otwarte zadania pisarskie, z natywnym kontekstem 262 144 tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy: ustalona aktualizacja Instruct-2507
Qwen3-30B-A3B-Instruct-2507 to zaktualizowana edycja Qwen3-30B-A3B bez myślenia. Producent podkreśla ulepszenia w wykonywaniu instrukcji, rozumowaniu logicznym, rozumieniu tekstu, matematyce, nauce, programowaniu i korzystaniu z narzędzi, wraz z szerszą wiedzą o mniej popularnych zagadnieniach w wielu językach i lepszym dopasowaniem do zadań otwartych. Przyjmuje tekst i tworzy tekst: odpowiedź, wyjaśnienie, propozycję kodu lub żądany tekst.
Zachowaj rozróżnienie między ustaloną tożsamością 2507 a pierwotnym hybrydowym Qwen3-30B-A3B, jego wersją FP8 i edycją Thinking-2507. Opis wiedzy wielojęzycznej modelu nie daje osobnej gwarancji liczby języków dla tej wersji. Określ język docelowy, odbiorców i terminy, które powinny pozostać bez zmian, gdy zadanie obejmuje tłumaczenie lub przeredagowanie.
Przegląd modelu
Model mixture-of-experts ma łącznie 30,5 miliarda parametrów i aktywuje 3,3 miliarda. Ma 48 warstw, 128 ekspertów i ośmiu ekspertów wybieranych na token. Jego natywny kontekst wynosi 262 144 tokeny. Aktywowane parametry nie oznaczają rozmiaru całego checkpointu, a sama architektura nie określa stałego czasu odpowiedzi w aplikacji.
Ta edycja obsługuje tylko tryb bez myślenia i nie generuje jawnych bloków myślenia. Ustawienie enable_thinking=False nie jest potrzebne w instrukcji użycia producenta. Nadal może pokazywać obliczenia lub wyjaśniać kod w zwykłym tekście; prośba o uzasadniające kroki nie zmienia jej w osobny checkpoint Thinking.
Przygotowanie przydatnego żądania tekstowego
W zadaniu programistycznym podaj odpowiednią funkcję lub moduł, ograniczenia wejścia, zaobserwowane zachowanie i wymagany wynik. Poproś o proponowaną poprawkę lub pełną funkcję z wyjaśnieniem założeń, na które wpływa zmiana. W pytaniu matematycznym lub naukowym podaj pełną treść, jednostki i definicje, a następnie poproś o wyraźnie wydzieloną końcową odpowiedź popartą dostarczonymi warunkami.
W otwartym zadaniu pisarskim określ odbiorców, cel, ton i informacje, które muszą się pojawić. Przydatna odpowiedź może być edytowalnym szkicem zorganizowanym według żądanych sekcji, z osobno wskazanymi niepopartymi założeniami. Porównaj zwrócony szkic, obliczenia lub proponowany kod z dostarczonymi faktami, definicjami i wymaganiami.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Określ dozwolone działania i obserwowalne warunki zakończenia. Podłączone narzędzia wykonują operacje zewnętrzne i zwracają obserwacje; model może wykorzystać te informacje zwrotne w kolejnej odpowiedzi. Proponowane polecenie lub twierdzenie o pobranym źródle powinno pozostawać odrębne od wyniku rzeczywiście zwróconego przez przepływ pracy.
Jasnym końcowym rezultatem może być propozycja kodu, tabela dowodów lub zwięzły raport. Obsługa narzędzi sama w sobie nie tworzy dostępu do aktualnych źródeł, plików czy środowiska wykonawczego przez każdy interfejs. Zachowaj kontrakt odpowiedzi bez myślenia dla dokładnie tego modelu zamiast przenosić przełączniki promptu z modelu hybrydowego lub pule wyjścia z edycji Thinking.
Przetwarzanie bardzo długiego tekstu
Producent dokumentuje opcjonalny przepływ pracy sięgający około miliona tokenów przez Dual Chunk Attention i uwagę rzadką MInference. Pierwszy mechanizm dzieli długą sekwencję na przetwarzalne fragmenty, zachowując interakcje między nimi; drugi skupia obliczenia na wybranych relacjach uwagi. Jest to dodatkowa ścieżka konfiguracji poza natywnym kontekstem 262 144 tokenów, wykorzystująca specjalną konfigurację długiego kontekstu.
Instrukcja szacuje około 240 GB całkowitej pamięci GPU na wagi modelu, buforowany stan sekwencji i szczytowe aktywacje. Opisuje też osobne problemy pojemności związane z pamięcią podręczną sekwencji, pamięcią aktywacji lub wejściem przekraczającym skonfigurowaną długość. Przepływ pracy z milionem tokenów zależy więc od konfiguracji i zasobów; głównego hasła nie należy traktować jako bezwarunkowego ustawienia domyślnego.
Przygotuj długi tekst wejściowy z granicami dokumentów, nazwami sekcji lub identyfikatorami kodu i konkretnym pytaniem. Zarezerwuj miejsce na odpowiedź i poproś o dowody wspierające każdy wniosek.
Zalecenia generowania
Dobre praktyki zalecają temperature 0,7, top_p 0,8, top_k 20 i min_p 0. Tam, gdzie jest to obsługiwane, presence penalty między zerem a dwoma może zmniejszać powtarzanie tekstu, natomiast wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Producent zaleca pulę wyjścia wynoszącą 16 384 tokeny dla większości zapytań, zamiast dłuższych budżetów udokumentowanych dla Thinking-2507. Jest to zalecenie, a nie osobno ustalony twardy limit wyjścia.
Wyraźnie określ końcowy format, taki jak matematyczny znacznik ograniczający lub pole odpowiedzi. Udokumentowanym wejściem modelu jest tekst, więc dowody wizualne lub dźwiękowe wymagają odpowiedniej osobnej reprezentacji przed tym przepływem pracy. Sprawdź obliczenia, cytaty i wygenerowany kod względem źródła. Przydatnym wynikiem jest kompletny rezultat tekstowy nadający się do przeglądu, w którym ustalona tożsamość Instruct-2507, tryb bez myślenia i warunkowa procedura długiego kontekstu pozostają jasne.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-30b-a3b-instruct-2507 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0008 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0008 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-30b-a3b-instruct-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-30b-a3b-instruct-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-30b-a3b-instruct-2507',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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Użyj ścieżek metod podanych powyżej.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 to ustalona lipcowa edycja tekstowa 2507 Qwen bez myślenia, z 30,5 miliarda parametrów łącznie i 3,3 miliarda aktywowanych. Ulepsza wykonywanie instrukcji, programowanie, wiedzę wielojęzyczną i otwarte zadania pisarskie, z natywnym kontekstem 262 144 tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy: ustalona aktualizacja Instruct-2507
Qwen3-30B-A3B-Instruct-2507 to zaktualizowana edycja Qwen3-30B-A3B bez myślenia. Producent podkreśla ulepszenia w wykonywaniu instrukcji, rozumowaniu logicznym, rozumieniu tekstu, matematyce, nauce, programowaniu i korzystaniu z narzędzi, wraz z szerszą wiedzą o mniej popularnych zagadnieniach w wielu językach i lepszym dopasowaniem do zadań otwartych. Przyjmuje tekst i tworzy tekst: odpowiedź, wyjaśnienie, propozycję kodu lub żądany tekst.
Zachowaj rozróżnienie między ustaloną tożsamością 2507 a pierwotnym hybrydowym Qwen3-30B-A3B, jego wersją FP8 i edycją Thinking-2507. Opis wiedzy wielojęzycznej modelu nie daje osobnej gwarancji liczby języków dla tej wersji. Określ język docelowy, odbiorców i terminy, które powinny pozostać bez zmian, gdy zadanie obejmuje tłumaczenie lub przeredagowanie.
Przegląd modelu
Model mixture-of-experts ma łącznie 30,5 miliarda parametrów i aktywuje 3,3 miliarda. Ma 48 warstw, 128 ekspertów i ośmiu ekspertów wybieranych na token. Jego natywny kontekst wynosi 262 144 tokeny. Aktywowane parametry nie oznaczają rozmiaru całego checkpointu, a sama architektura nie określa stałego czasu odpowiedzi w aplikacji.
Ta edycja obsługuje tylko tryb bez myślenia i nie generuje jawnych bloków myślenia. Ustawienie enable_thinking=False nie jest potrzebne w instrukcji użycia producenta. Nadal może pokazywać obliczenia lub wyjaśniać kod w zwykłym tekście; prośba o uzasadniające kroki nie zmienia jej w osobny checkpoint Thinking.
Przygotowanie przydatnego żądania tekstowego
W zadaniu programistycznym podaj odpowiednią funkcję lub moduł, ograniczenia wejścia, zaobserwowane zachowanie i wymagany wynik. Poproś o proponowaną poprawkę lub pełną funkcję z wyjaśnieniem założeń, na które wpływa zmiana. W pytaniu matematycznym lub naukowym podaj pełną treść, jednostki i definicje, a następnie poproś o wyraźnie wydzieloną końcową odpowiedź popartą dostarczonymi warunkami.
W otwartym zadaniu pisarskim określ odbiorców, cel, ton i informacje, które muszą się pojawić. Przydatna odpowiedź może być edytowalnym szkicem zorganizowanym według żądanych sekcji, z osobno wskazanymi niepopartymi założeniami. Porównaj zwrócony szkic, obliczenia lub proponowany kod z dostarczonymi faktami, definicjami i wymaganiami.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Określ dozwolone działania i obserwowalne warunki zakończenia. Podłączone narzędzia wykonują operacje zewnętrzne i zwracają obserwacje; model może wykorzystać te informacje zwrotne w kolejnej odpowiedzi. Proponowane polecenie lub twierdzenie o pobranym źródle powinno pozostawać odrębne od wyniku rzeczywiście zwróconego przez przepływ pracy.
Jasnym końcowym rezultatem może być propozycja kodu, tabela dowodów lub zwięzły raport. Obsługa narzędzi sama w sobie nie tworzy dostępu do aktualnych źródeł, plików czy środowiska wykonawczego przez każdy interfejs. Zachowaj kontrakt odpowiedzi bez myślenia dla dokładnie tego modelu zamiast przenosić przełączniki promptu z modelu hybrydowego lub pule wyjścia z edycji Thinking.
Przetwarzanie bardzo długiego tekstu
Producent dokumentuje opcjonalny przepływ pracy sięgający około miliona tokenów przez Dual Chunk Attention i uwagę rzadką MInference. Pierwszy mechanizm dzieli długą sekwencję na przetwarzalne fragmenty, zachowując interakcje między nimi; drugi skupia obliczenia na wybranych relacjach uwagi. Jest to dodatkowa ścieżka konfiguracji poza natywnym kontekstem 262 144 tokenów, wykorzystująca specjalną konfigurację długiego kontekstu.
Instrukcja szacuje około 240 GB całkowitej pamięci GPU na wagi modelu, buforowany stan sekwencji i szczytowe aktywacje. Opisuje też osobne problemy pojemności związane z pamięcią podręczną sekwencji, pamięcią aktywacji lub wejściem przekraczającym skonfigurowaną długość. Przepływ pracy z milionem tokenów zależy więc od konfiguracji i zasobów; głównego hasła nie należy traktować jako bezwarunkowego ustawienia domyślnego.
Przygotuj długi tekst wejściowy z granicami dokumentów, nazwami sekcji lub identyfikatorami kodu i konkretnym pytaniem. Zarezerwuj miejsce na odpowiedź i poproś o dowody wspierające każdy wniosek.
Zalecenia generowania
Dobre praktyki zalecają temperature 0,7, top_p 0,8, top_k 20 i min_p 0. Tam, gdzie jest to obsługiwane, presence penalty między zerem a dwoma może zmniejszać powtarzanie tekstu, natomiast wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Producent zaleca pulę wyjścia wynoszącą 16 384 tokeny dla większości zapytań, zamiast dłuższych budżetów udokumentowanych dla Thinking-2507. Jest to zalecenie, a nie osobno ustalony twardy limit wyjścia.
Wyraźnie określ końcowy format, taki jak matematyczny znacznik ograniczający lub pole odpowiedzi. Udokumentowanym wejściem modelu jest tekst, więc dowody wizualne lub dźwiękowe wymagają odpowiedniej osobnej reprezentacji przed tym przepływem pracy. Sprawdź obliczenia, cytaty i wygenerowany kod względem źródła. Przydatnym wynikiem jest kompletny rezultat tekstowy nadający się do przeglądu, w którym ustalona tożsamość Instruct-2507, tryb bez myślenia i warunkowa procedura długiego kontekstu pozostają jasne.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-30b-a3b-instruct-2507 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0008 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0008 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-30b-a3b-instruct-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-30b-a3b-instruct-2507', '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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.