Najważniejsze cechy: stałe wydanie Thinking-2507
Qwen3-30B-A3B-Thinking-2507 to model generowania tekstu skoncentrowany na trudnym rozumowaniu. Qwen opisuje usprawnienia w logice, matematyce, nauce, programowaniu, wykonywaniu instrukcji, korzystaniu z narzędzi i generowaniu tekstu, a także dłuższe sekwencje rozumowania i lepsze rozumienie długiego kontekstu. Wybierz dokładnie tę wersję 2507, gdy zadanie korzysta z pogłębionego rozumowania, na przykład przy analizie konkurencyjnych wyjaśnień, rozwiązywaniu wieloetapowego problemu matematycznego lub opracowywaniu złożonej zmiany kodu.
Przegląd modelu i tryb działania
Model mixture-of-experts ma łącznie 30.5 miliarda parametrów i 3.3 miliarda aktywowanych parametrów, ze 128 ekspertami i ośmioma wybieranymi na token w 48 warstwach. Jego natywny kontekst wynosi 262,144 tokenów. Przyjmuje tekst i zwraca tekst; wyniki narzędzi są dostarczane przez połączony proces aplikacji. Ta wersja obsługuje wyłącznie rozumowanie. Jest odrębna od wcześniejszego hybrydowego Qwen3-30B-A3B, jego wersji FP8 i Qwen3-30B-A3B-Instruct-2507. Nie należy zakładać, że przełącznik wyłączający rozumowanie w modelu hybrydowym działa również tutaj.
Domyślny szablon czatu już rozpoczyna sekwencję rozumowania znacznikiem otwierającym, dlatego jawne ustawienie enable_thinking=True jest zbędne. Zwrócona sekwencja może zawierać znacznik zamykający bez powtarzania otwierającego. Przykład producenta oddziela rozumowanie od odpowiedzi końcowej. Zachowaj to rozróżnienie przy zamawianiu konkretnego rezultatu: konkluzja dowodu, poprawka lub tabela decyzji powinny pozostać łatwe do znalezienia po dłuższym wyjaśnieniu.
Przygotowanie trudnego zadania
Podaj modelowi pełną treść problemu, ograniczenia i odpowiednie dowody. W przypadku zmiany kodu dołącz istniejącą funkcję, dane wywołujące błąd i oczekiwane zachowanie, a następnie poproś o proponowaną poprawkę z wyjaśnieniem przypadków brzegowych. W pytaniu naukowym oddziel obserwacje od założeń i zapytaj, jaki wniosek wynika z każdego z nich. W długim regulaminie lub specyfikacji zachowaj identyfikatory sekcji i poproś o zwięzłą decyzję popartą odpowiednimi zapisami. Są to praktyczne zastosowania udokumentowanych dziedzin rozumowania, a nie twierdzenia, że model wykonał poprawkę lub zweryfikował eksperyment.
Ponieważ ta wersja może długo rozumować, zarezerwuj miejsce zarówno na rozumowanie, jak i końcowy rezultat. Qwen zaleca, aby podczas konfiguracji modelu w miarę możliwości zachować kontekst powyżej 131,072 tokenów, nawet jeśli mniejszy kontekst zmniejszyłby presję na pamięć. Wartość natywnego kontekstu obejmuje budżet sekwencji; nie oznacza, że całość można przeznaczyć na dokument z pozostawieniem nieograniczonego miejsca na odpowiedź.
Zastosowania agentowe
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów narzędzi oraz parsowania, w tym integracji ze skonfigurowanymi narzędziami i procesów z interpreterem kodu. Jawnie zdefiniuj narzędzia i zamierzony wynik. Na przykład aplikacja może pozwolić modelowi przeanalizować pobrane dowody, użyć dozwolonego kalkulatora, a następnie przygotować raport wyjaśniający obliczenie. Pobieranie i wykonanie należą do podłączonych narzędzi; sama zdolność wywoływania narzędzi nie daje modelowi dostępu do internetu, środowiska kodu ani systemów biznesowych.
Przetwarzanie bardzo długiego tekstu
Qwen dokumentuje opcjonalny proces sięgający około miliona tokenów przez połączenie Dual Chunk Attention z rzadką uwagą MInference. Pierwsza technika dzieli długie sekwencje na fragmenty, zachowując interakcje między nimi; druga skupia obliczenia na wybranych relacjach uwagi. To dodatkowa ścieżka konfiguracji wykraczająca poza natywny kontekst o długości 262,144 tokenów. Procedura producenta wymaga specjalnej konfiguracji długiego kontekstu i szacuje około 240 GB łącznej pamięci GPU na wagi, buforowany stan uwagi i szczytowe aktywacje.
Ta procedura ma konkretne ograniczenia zasobów: buforowany stan sekwencji, pamięć aktywacji i całkowita długość wejścia mogą niezależnie wyczerpać skonfigurowaną pojemność. Proces dla miliona tokenów zależy zatem od konfiguracji, pamięci i obsługiwanej implementacji uwagi. W praktycznej ocenie dokumentów zacznij od istotnego materiału, oznacz granice dokumentów i poproś o dowody z możliwym do prześledzenia źródłem, zamiast traktować największe możliwe wejście jako zamiennik jasnego pytania.
Wskazówki i limity generowania
Qwen zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0. Sugeruje budżet wyjściowy 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo trudnych problemów matematycznych lub programistycznych. Są to zalecenia dotyczące budżetu generowania, a nie osobno opublikowany sztywny limit wyjściowy. Presence penalty między zero a dwa może ograniczyć powtórzenia, ale wyższe wartości mogą mieszać języki lub nieco obniżać jakość.
Określ w poleceniu format odpowiedzi końcowej, taki jak wydzielony wynik matematyczny lub pole odpowiedzi na pytanie wielokrotnego wyboru. Zachowuj w historii rozmowy tylko część z odpowiedzią końcową, zgodnie z zaleceniem producenta. Dłuższe rozumowanie jest przydatne, gdy prowadzi do sprawdzalnego wyniku; przed poleganiem na rezultacie przeanalizuj założenia, obliczenia i proponowany kod.
", "aboutText": "Najważniejsze cechy: stałe wydanie Thinking-2507\n\nQwen3-30B-A3B-Thinking-2507 to model generowania tekstu skoncentrowany na trudnym rozumowaniu. Qwen opisuje usprawnienia w logice, matematyce, nauce, programowaniu, wykonywaniu instrukcji, korzystaniu z narzędzi i generowaniu tekstu, a także dłuższe sekwencje rozumowania i lepsze rozumienie długiego kontekstu. Wybierz dokładnie tę wersję 2507, gdy zadanie korzysta z pogłębionego rozumowania, na przykład przy analizie konkurencyjnych wyjaśnień, rozwiązywaniu wieloetapowego problemu matematycznego lub opracowywaniu złożonej zmiany kodu.\n\nPrzegląd modelu i tryb działania\n\nModel mixture-of-experts ma łącznie 30.5 miliarda parametrów i 3.3 miliarda aktywowanych parametrów, ze 128 ekspertami i ośmioma wybieranymi na token w 48 warstwach. Jego natywny kontekst wynosi 262,144 tokenów. Przyjmuje tekst i zwraca tekst; wyniki narzędzi są dostarczane przez połączony proces aplikacji. Ta wersja obsługuje wyłącznie rozumowanie. Jest odrębna od wcześniejszego hybrydowego Qwen3-30B-A3B, jego wersji FP8 i Qwen3-30B-A3B-Instruct-2507. Nie należy zakładać, że przełącznik wyłączający rozumowanie w modelu hybrydowym działa również tutaj.\n\nDomyślny szablon czatu już rozpoczyna sekwencję rozumowania znacznikiem otwierającym, dlatego jawne ustawienie enable_thinking=True jest zbędne. Zwrócona sekwencja może zawierać znacznik zamykający bez powtarzania otwierającego. Przykład producenta oddziela rozumowanie od odpowiedzi końcowej. Zachowaj to rozróżnienie przy zamawianiu konkretnego rezultatu: konkluzja dowodu, poprawka lub tabela decyzji powinny pozostać łatwe do znalezienia po dłuższym wyjaśnieniu.\n\nPrzygotowanie trudnego zadania\n\nPodaj modelowi pełną treść problemu, ograniczenia i odpowiednie dowody. W przypadku zmiany kodu dołącz istniejącą funkcję, dane wywołujące błąd i oczekiwane zachowanie, a następnie poproś o proponowaną poprawkę z wyjaśnieniem przypadków brzegowych. W pytaniu naukowym oddziel obserwacje od założeń i zapytaj, jaki wniosek wynika z każdego z nich. W długim regulaminie lub specyfikacji zachowaj identyfikatory sekcji i poproś o zwięzłą decyzję popartą odpowiednimi zapisami. Są to praktyczne zastosowania udokumentowanych dziedzin rozumowania, a nie twierdzenia, że model wykonał poprawkę lub zweryfikował eksperyment.\n\nPonieważ ta wersja może długo rozumować, zarezerwuj miejsce zarówno na rozumowanie, jak i końcowy rezultat. Qwen zaleca, aby podczas konfiguracji modelu w miarę możliwości zachować kontekst powyżej 131,072 tokenów, nawet jeśli mniejszy kontekst zmniejszyłby presję na pamięć. Wartość natywnego kontekstu obejmuje budżet sekwencji; nie oznacza, że całość można przeznaczyć na dokument z pozostawieniem nieograniczonego miejsca na odpowiedź.\n\nZastosowania agentowe\n\nProducent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów narzędzi oraz parsowania, w tym integracji ze skonfigurowanymi narzędziami i procesów z interpreterem kodu. Jawnie zdefiniuj narzędzia i zamierzony wynik. Na przykład aplikacja może pozwolić modelowi przeanalizować pobrane dowody, użyć dozwolonego kalkulatora, a następnie przygotować raport wyjaśniający obliczenie. Pobieranie i wykonanie należą do podłączonych narzędzi; sama zdolność wywoływania narzędzi nie daje modelowi dostępu do internetu, środowiska kodu ani systemów biznesowych.\n\nPrzetwarzanie bardzo długiego tekstu\n\nQwen dokumentuje opcjonalny proces sięgający około miliona tokenów przez połączenie Dual Chunk Attention z rzadką uwagą MInference. Pierwsza technika dzieli długie sekwencje na fragmenty, zachowując interakcje między nimi; druga skupia obliczenia na wybranych relacjach uwagi. To dodatkowa ścieżka konfiguracji wykraczająca poza natywny kontekst o długości 262,144 tokenów. Procedura producenta wymaga specjalnej konfiguracji długiego kontekstu i szacuje około 240 GB łącznej pamięci GPU na wagi, buforowany stan uwagi i szczytowe aktywacje.\n\nTa procedura ma konkretne ograniczenia zasobów: buforowany stan sekwencji, pamięć aktywacji i całkowita długość wejścia mogą niezależnie wyczerpać skonfigurowaną pojemność. Proces dla miliona tokenów zależy zatem od konfiguracji, pamięci i obsługiwanej implementacji uwagi. W praktycznej ocenie dokumentów zacznij od istotnego materiału, oznacz granice dokumentów i poproś o dowody z możliwym do prześledzenia źródłem, zamiast traktować największe możliwe wejście jako zamiennik jasnego pytania.\n\nWskazówki i limity generowania\n\nQwen zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0. Sugeruje budżet wyjściowy 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo trudnych problemów matematycznych lub programistycznych. Są to zalecenia dotyczące budżetu generowania, a nie osobno opublikowany sztywny limit wyjściowy. Presence penalty między zero a dwa może ograniczyć powtórzenia, ale wyższe wartości mogą mieszać języki lub nieco obniżać jakość.\n\nOkreśl w poleceniu format odpowiedzi końcowej, taki jak wydzielony wynik matematyczny lub pole odpowiedzi na pytanie wielokrotnego wyboru. Zachowuj w historii rozmowy tylko część z odpowiedzią końcową, zgodnie z zaleceniem producenta. Dłuższe rozumowanie jest przydatne, gdy prowadzi do sprawdzalnego wyniku; przed poleganiem na rezultacie przeanalizuj założenia, obliczenia i proponowany kod.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 to tekstowy model Qwen działający wyłącznie w trybie rozumowania, przeznaczony do wymagających zadań matematycznych, naukowych, programistycznych i logicznych. Ta stała wersja 2507 zapewnia natywny kontekst o długości 262,144 tokenów i większy budżet rozumowania, z udokumentowanym wywoływaniem narzędzi oraz warunkowymi procesami dla bardzo długiego kontekstu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy: stałe wydanie Thinking-2507
Qwen3-30B-A3B-Thinking-2507 to model generowania tekstu skoncentrowany na trudnym rozumowaniu. Qwen opisuje usprawnienia w logice, matematyce, nauce, programowaniu, wykonywaniu instrukcji, korzystaniu z narzędzi i generowaniu tekstu, a także dłuższe sekwencje rozumowania i lepsze rozumienie długiego kontekstu. Wybierz dokładnie tę wersję 2507, gdy zadanie korzysta z pogłębionego rozumowania, na przykład przy analizie konkurencyjnych wyjaśnień, rozwiązywaniu wieloetapowego problemu matematycznego lub opracowywaniu złożonej zmiany kodu.
Przegląd modelu i tryb działania
Model mixture-of-experts ma łącznie 30.5 miliarda parametrów i 3.3 miliarda aktywowanych parametrów, ze 128 ekspertami i ośmioma wybieranymi na token w 48 warstwach. Jego natywny kontekst wynosi 262,144 tokenów. Przyjmuje tekst i zwraca tekst; wyniki narzędzi są dostarczane przez połączony proces aplikacji. Ta wersja obsługuje wyłącznie rozumowanie. Jest odrębna od wcześniejszego hybrydowego Qwen3-30B-A3B, jego wersji FP8 i Qwen3-30B-A3B-Instruct-2507. Nie należy zakładać, że przełącznik wyłączający rozumowanie w modelu hybrydowym działa również tutaj.
Domyślny szablon czatu już rozpoczyna sekwencję rozumowania znacznikiem otwierającym, dlatego jawne ustawienie enable_thinking=True jest zbędne. Zwrócona sekwencja może zawierać znacznik zamykający bez powtarzania otwierającego. Przykład producenta oddziela rozumowanie od odpowiedzi końcowej. Zachowaj to rozróżnienie przy zamawianiu konkretnego rezultatu: konkluzja dowodu, poprawka lub tabela decyzji powinny pozostać łatwe do znalezienia po dłuższym wyjaśnieniu.
Przygotowanie trudnego zadania
Podaj modelowi pełną treść problemu, ograniczenia i odpowiednie dowody. W przypadku zmiany kodu dołącz istniejącą funkcję, dane wywołujące błąd i oczekiwane zachowanie, a następnie poproś o proponowaną poprawkę z wyjaśnieniem przypadków brzegowych. W pytaniu naukowym oddziel obserwacje od założeń i zapytaj, jaki wniosek wynika z każdego z nich. W długim regulaminie lub specyfikacji zachowaj identyfikatory sekcji i poproś o zwięzłą decyzję popartą odpowiednimi zapisami. Są to praktyczne zastosowania udokumentowanych dziedzin rozumowania, a nie twierdzenia, że model wykonał poprawkę lub zweryfikował eksperyment.
Ponieważ ta wersja może długo rozumować, zarezerwuj miejsce zarówno na rozumowanie, jak i końcowy rezultat. Qwen zaleca, aby podczas konfiguracji modelu w miarę możliwości zachować kontekst powyżej 131,072 tokenów, nawet jeśli mniejszy kontekst zmniejszyłby presję na pamięć. Wartość natywnego kontekstu obejmuje budżet sekwencji; nie oznacza, że całość można przeznaczyć na dokument z pozostawieniem nieograniczonego miejsca na odpowiedź.
Zastosowania agentowe
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów narzędzi oraz parsowania, w tym integracji ze skonfigurowanymi narzędziami i procesów z interpreterem kodu. Jawnie zdefiniuj narzędzia i zamierzony wynik. Na przykład aplikacja może pozwolić modelowi przeanalizować pobrane dowody, użyć dozwolonego kalkulatora, a następnie przygotować raport wyjaśniający obliczenie. Pobieranie i wykonanie należą do podłączonych narzędzi; sama zdolność wywoływania narzędzi nie daje modelowi dostępu do internetu, środowiska kodu ani systemów biznesowych.
Przetwarzanie bardzo długiego tekstu
Qwen dokumentuje opcjonalny proces sięgający około miliona tokenów przez połączenie Dual Chunk Attention z rzadką uwagą MInference. Pierwsza technika dzieli długie sekwencje na fragmenty, zachowując interakcje między nimi; druga skupia obliczenia na wybranych relacjach uwagi. To dodatkowa ścieżka konfiguracji wykraczająca poza natywny kontekst o długości 262,144 tokenów. Procedura producenta wymaga specjalnej konfiguracji długiego kontekstu i szacuje około 240 GB łącznej pamięci GPU na wagi, buforowany stan uwagi i szczytowe aktywacje.
Ta procedura ma konkretne ograniczenia zasobów: buforowany stan sekwencji, pamięć aktywacji i całkowita długość wejścia mogą niezależnie wyczerpać skonfigurowaną pojemność. Proces dla miliona tokenów zależy zatem od konfiguracji, pamięci i obsługiwanej implementacji uwagi. W praktycznej ocenie dokumentów zacznij od istotnego materiału, oznacz granice dokumentów i poproś o dowody z możliwym do prześledzenia źródłem, zamiast traktować największe możliwe wejście jako zamiennik jasnego pytania.
Wskazówki i limity generowania
Qwen zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0. Sugeruje budżet wyjściowy 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo trudnych problemów matematycznych lub programistycznych. Są to zalecenia dotyczące budżetu generowania, a nie osobno opublikowany sztywny limit wyjściowy. Presence penalty między zero a dwa może ograniczyć powtórzenia, ale wyższe wartości mogą mieszać języki lub nieco obniżać jakość.
Określ w poleceniu format odpowiedzi końcowej, taki jak wydzielony wynik matematyczny lub pole odpowiedzi na pytanie wielokrotnego wyboru. Zachowuj w historii rozmowy tylko część z odpowiedzią końcową, zgodnie z zaleceniem producenta. Dłuższe rozumowanie jest przydatne, gdy prowadzi do sprawdzalnego wyniku; przed poleganiem na rezultacie przeanalizuj założenia, obliczenia i proponowany kod.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity Qwen/Qwen3-30B-A3B-Thinking-2507 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Rozmowa tekstowa | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
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 |
Parametrcontrol_scope | KontraktRozmowa tekstowa; stream jest wartością logiczną i domyślnie wynosi false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
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.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | 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-Thinking-2507","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-Thinking-2507", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 to tekstowy model Qwen działający wyłącznie w trybie rozumowania, przeznaczony do wymagających zadań matematycznych, naukowych, programistycznych i logicznych. Ta stała wersja 2507 zapewnia natywny kontekst o długości 262,144 tokenów i większy budżet rozumowania, z udokumentowanym wywoływaniem narzędzi oraz warunkowymi procesami dla bardzo długiego kontekstu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy: stałe wydanie Thinking-2507
Qwen3-30B-A3B-Thinking-2507 to model generowania tekstu skoncentrowany na trudnym rozumowaniu. Qwen opisuje usprawnienia w logice, matematyce, nauce, programowaniu, wykonywaniu instrukcji, korzystaniu z narzędzi i generowaniu tekstu, a także dłuższe sekwencje rozumowania i lepsze rozumienie długiego kontekstu. Wybierz dokładnie tę wersję 2507, gdy zadanie korzysta z pogłębionego rozumowania, na przykład przy analizie konkurencyjnych wyjaśnień, rozwiązywaniu wieloetapowego problemu matematycznego lub opracowywaniu złożonej zmiany kodu.
Przegląd modelu i tryb działania
Model mixture-of-experts ma łącznie 30.5 miliarda parametrów i 3.3 miliarda aktywowanych parametrów, ze 128 ekspertami i ośmioma wybieranymi na token w 48 warstwach. Jego natywny kontekst wynosi 262,144 tokenów. Przyjmuje tekst i zwraca tekst; wyniki narzędzi są dostarczane przez połączony proces aplikacji. Ta wersja obsługuje wyłącznie rozumowanie. Jest odrębna od wcześniejszego hybrydowego Qwen3-30B-A3B, jego wersji FP8 i Qwen3-30B-A3B-Instruct-2507. Nie należy zakładać, że przełącznik wyłączający rozumowanie w modelu hybrydowym działa również tutaj.
Domyślny szablon czatu już rozpoczyna sekwencję rozumowania znacznikiem otwierającym, dlatego jawne ustawienie enable_thinking=True jest zbędne. Zwrócona sekwencja może zawierać znacznik zamykający bez powtarzania otwierającego. Przykład producenta oddziela rozumowanie od odpowiedzi końcowej. Zachowaj to rozróżnienie przy zamawianiu konkretnego rezultatu: konkluzja dowodu, poprawka lub tabela decyzji powinny pozostać łatwe do znalezienia po dłuższym wyjaśnieniu.
Przygotowanie trudnego zadania
Podaj modelowi pełną treść problemu, ograniczenia i odpowiednie dowody. W przypadku zmiany kodu dołącz istniejącą funkcję, dane wywołujące błąd i oczekiwane zachowanie, a następnie poproś o proponowaną poprawkę z wyjaśnieniem przypadków brzegowych. W pytaniu naukowym oddziel obserwacje od założeń i zapytaj, jaki wniosek wynika z każdego z nich. W długim regulaminie lub specyfikacji zachowaj identyfikatory sekcji i poproś o zwięzłą decyzję popartą odpowiednimi zapisami. Są to praktyczne zastosowania udokumentowanych dziedzin rozumowania, a nie twierdzenia, że model wykonał poprawkę lub zweryfikował eksperyment.
Ponieważ ta wersja może długo rozumować, zarezerwuj miejsce zarówno na rozumowanie, jak i końcowy rezultat. Qwen zaleca, aby podczas konfiguracji modelu w miarę możliwości zachować kontekst powyżej 131,072 tokenów, nawet jeśli mniejszy kontekst zmniejszyłby presję na pamięć. Wartość natywnego kontekstu obejmuje budżet sekwencji; nie oznacza, że całość można przeznaczyć na dokument z pozostawieniem nieograniczonego miejsca na odpowiedź.
Zastosowania agentowe
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów narzędzi oraz parsowania, w tym integracji ze skonfigurowanymi narzędziami i procesów z interpreterem kodu. Jawnie zdefiniuj narzędzia i zamierzony wynik. Na przykład aplikacja może pozwolić modelowi przeanalizować pobrane dowody, użyć dozwolonego kalkulatora, a następnie przygotować raport wyjaśniający obliczenie. Pobieranie i wykonanie należą do podłączonych narzędzi; sama zdolność wywoływania narzędzi nie daje modelowi dostępu do internetu, środowiska kodu ani systemów biznesowych.
Przetwarzanie bardzo długiego tekstu
Qwen dokumentuje opcjonalny proces sięgający około miliona tokenów przez połączenie Dual Chunk Attention z rzadką uwagą MInference. Pierwsza technika dzieli długie sekwencje na fragmenty, zachowując interakcje między nimi; druga skupia obliczenia na wybranych relacjach uwagi. To dodatkowa ścieżka konfiguracji wykraczająca poza natywny kontekst o długości 262,144 tokenów. Procedura producenta wymaga specjalnej konfiguracji długiego kontekstu i szacuje około 240 GB łącznej pamięci GPU na wagi, buforowany stan uwagi i szczytowe aktywacje.
Ta procedura ma konkretne ograniczenia zasobów: buforowany stan sekwencji, pamięć aktywacji i całkowita długość wejścia mogą niezależnie wyczerpać skonfigurowaną pojemność. Proces dla miliona tokenów zależy zatem od konfiguracji, pamięci i obsługiwanej implementacji uwagi. W praktycznej ocenie dokumentów zacznij od istotnego materiału, oznacz granice dokumentów i poproś o dowody z możliwym do prześledzenia źródłem, zamiast traktować największe możliwe wejście jako zamiennik jasnego pytania.
Wskazówki i limity generowania
Qwen zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0. Sugeruje budżet wyjściowy 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo trudnych problemów matematycznych lub programistycznych. Są to zalecenia dotyczące budżetu generowania, a nie osobno opublikowany sztywny limit wyjściowy. Presence penalty między zero a dwa może ograniczyć powtórzenia, ale wyższe wartości mogą mieszać języki lub nieco obniżać jakość.
Określ w poleceniu format odpowiedzi końcowej, taki jak wydzielony wynik matematyczny lub pole odpowiedzi na pytanie wielokrotnego wyboru. Zachowuj w historii rozmowy tylko część z odpowiedzią końcową, zgodnie z zaleceniem producenta. Dłuższe rozumowanie jest przydatne, gdy prowadzi do sprawdzalnego wyniku; przed poleganiem na rezultacie przeanalizuj założenia, obliczenia i proponowany kod.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity Qwen/Qwen3-30B-A3B-Thinking-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.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | 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 $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Thinking-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-Thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 to tekstowy model Qwen działający wyłącznie w trybie rozumowania, przeznaczony do wymagających zadań matematycznych, naukowych, programistycznych i logicznych. Ta stała wersja 2507 zapewnia natywny kontekst o długości 262,144 tokenów i większy budżet rozumowania, z udokumentowanym wywoływaniem narzędzi oraz warunkowymi procesami dla bardzo długiego kontekstu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy: stałe wydanie Thinking-2507
Qwen3-30B-A3B-Thinking-2507 to model generowania tekstu skoncentrowany na trudnym rozumowaniu. Qwen opisuje usprawnienia w logice, matematyce, nauce, programowaniu, wykonywaniu instrukcji, korzystaniu z narzędzi i generowaniu tekstu, a także dłuższe sekwencje rozumowania i lepsze rozumienie długiego kontekstu. Wybierz dokładnie tę wersję 2507, gdy zadanie korzysta z pogłębionego rozumowania, na przykład przy analizie konkurencyjnych wyjaśnień, rozwiązywaniu wieloetapowego problemu matematycznego lub opracowywaniu złożonej zmiany kodu.
Przegląd modelu i tryb działania
Model mixture-of-experts ma łącznie 30.5 miliarda parametrów i 3.3 miliarda aktywowanych parametrów, ze 128 ekspertami i ośmioma wybieranymi na token w 48 warstwach. Jego natywny kontekst wynosi 262,144 tokenów. Przyjmuje tekst i zwraca tekst; wyniki narzędzi są dostarczane przez połączony proces aplikacji. Ta wersja obsługuje wyłącznie rozumowanie. Jest odrębna od wcześniejszego hybrydowego Qwen3-30B-A3B, jego wersji FP8 i Qwen3-30B-A3B-Instruct-2507. Nie należy zakładać, że przełącznik wyłączający rozumowanie w modelu hybrydowym działa również tutaj.
Domyślny szablon czatu już rozpoczyna sekwencję rozumowania znacznikiem otwierającym, dlatego jawne ustawienie enable_thinking=True jest zbędne. Zwrócona sekwencja może zawierać znacznik zamykający bez powtarzania otwierającego. Przykład producenta oddziela rozumowanie od odpowiedzi końcowej. Zachowaj to rozróżnienie przy zamawianiu konkretnego rezultatu: konkluzja dowodu, poprawka lub tabela decyzji powinny pozostać łatwe do znalezienia po dłuższym wyjaśnieniu.
Przygotowanie trudnego zadania
Podaj modelowi pełną treść problemu, ograniczenia i odpowiednie dowody. W przypadku zmiany kodu dołącz istniejącą funkcję, dane wywołujące błąd i oczekiwane zachowanie, a następnie poproś o proponowaną poprawkę z wyjaśnieniem przypadków brzegowych. W pytaniu naukowym oddziel obserwacje od założeń i zapytaj, jaki wniosek wynika z każdego z nich. W długim regulaminie lub specyfikacji zachowaj identyfikatory sekcji i poproś o zwięzłą decyzję popartą odpowiednimi zapisami. Są to praktyczne zastosowania udokumentowanych dziedzin rozumowania, a nie twierdzenia, że model wykonał poprawkę lub zweryfikował eksperyment.
Ponieważ ta wersja może długo rozumować, zarezerwuj miejsce zarówno na rozumowanie, jak i końcowy rezultat. Qwen zaleca, aby podczas konfiguracji modelu w miarę możliwości zachować kontekst powyżej 131,072 tokenów, nawet jeśli mniejszy kontekst zmniejszyłby presję na pamięć. Wartość natywnego kontekstu obejmuje budżet sekwencji; nie oznacza, że całość można przeznaczyć na dokument z pozostawieniem nieograniczonego miejsca na odpowiedź.
Zastosowania agentowe
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów narzędzi oraz parsowania, w tym integracji ze skonfigurowanymi narzędziami i procesów z interpreterem kodu. Jawnie zdefiniuj narzędzia i zamierzony wynik. Na przykład aplikacja może pozwolić modelowi przeanalizować pobrane dowody, użyć dozwolonego kalkulatora, a następnie przygotować raport wyjaśniający obliczenie. Pobieranie i wykonanie należą do podłączonych narzędzi; sama zdolność wywoływania narzędzi nie daje modelowi dostępu do internetu, środowiska kodu ani systemów biznesowych.
Przetwarzanie bardzo długiego tekstu
Qwen dokumentuje opcjonalny proces sięgający około miliona tokenów przez połączenie Dual Chunk Attention z rzadką uwagą MInference. Pierwsza technika dzieli długie sekwencje na fragmenty, zachowując interakcje między nimi; druga skupia obliczenia na wybranych relacjach uwagi. To dodatkowa ścieżka konfiguracji wykraczająca poza natywny kontekst o długości 262,144 tokenów. Procedura producenta wymaga specjalnej konfiguracji długiego kontekstu i szacuje około 240 GB łącznej pamięci GPU na wagi, buforowany stan uwagi i szczytowe aktywacje.
Ta procedura ma konkretne ograniczenia zasobów: buforowany stan sekwencji, pamięć aktywacji i całkowita długość wejścia mogą niezależnie wyczerpać skonfigurowaną pojemność. Proces dla miliona tokenów zależy zatem od konfiguracji, pamięci i obsługiwanej implementacji uwagi. W praktycznej ocenie dokumentów zacznij od istotnego materiału, oznacz granice dokumentów i poproś o dowody z możliwym do prześledzenia źródłem, zamiast traktować największe możliwe wejście jako zamiennik jasnego pytania.
Wskazówki i limity generowania
Qwen zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0. Sugeruje budżet wyjściowy 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo trudnych problemów matematycznych lub programistycznych. Są to zalecenia dotyczące budżetu generowania, a nie osobno opublikowany sztywny limit wyjściowy. Presence penalty między zero a dwa może ograniczyć powtórzenia, ale wyższe wartości mogą mieszać języki lub nieco obniżać jakość.
Określ w poleceniu format odpowiedzi końcowej, taki jak wydzielony wynik matematyczny lub pole odpowiedzi na pytanie wielokrotnego wyboru. Zachowuj w historii rozmowy tylko część z odpowiedzią końcową, zgodnie z zaleceniem producenta. Dłuższe rozumowanie jest przydatne, gdy prowadzi do sprawdzalnego wyniku; przed poleganiem na rezultacie przeanalizuj założenia, obliczenia i proponowany kod.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3-30b-a3b-thinking-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.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | 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": "qwen3-30b-a3b-thinking-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='qwen3-30b-a3b-thinking-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='qwen3-30b-a3b-thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 to tekstowy model Qwen działający wyłącznie w trybie rozumowania, przeznaczony do wymagających zadań matematycznych, naukowych, programistycznych i logicznych. Ta stała wersja 2507 zapewnia natywny kontekst o długości 262,144 tokenów i większy budżet rozumowania, z udokumentowanym wywoływaniem narzędzi oraz warunkowymi procesami dla bardzo długiego kontekstu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy: stałe wydanie Thinking-2507
Qwen3-30B-A3B-Thinking-2507 to model generowania tekstu skoncentrowany na trudnym rozumowaniu. Qwen opisuje usprawnienia w logice, matematyce, nauce, programowaniu, wykonywaniu instrukcji, korzystaniu z narzędzi i generowaniu tekstu, a także dłuższe sekwencje rozumowania i lepsze rozumienie długiego kontekstu. Wybierz dokładnie tę wersję 2507, gdy zadanie korzysta z pogłębionego rozumowania, na przykład przy analizie konkurencyjnych wyjaśnień, rozwiązywaniu wieloetapowego problemu matematycznego lub opracowywaniu złożonej zmiany kodu.
Przegląd modelu i tryb działania
Model mixture-of-experts ma łącznie 30.5 miliarda parametrów i 3.3 miliarda aktywowanych parametrów, ze 128 ekspertami i ośmioma wybieranymi na token w 48 warstwach. Jego natywny kontekst wynosi 262,144 tokenów. Przyjmuje tekst i zwraca tekst; wyniki narzędzi są dostarczane przez połączony proces aplikacji. Ta wersja obsługuje wyłącznie rozumowanie. Jest odrębna od wcześniejszego hybrydowego Qwen3-30B-A3B, jego wersji FP8 i Qwen3-30B-A3B-Instruct-2507. Nie należy zakładać, że przełącznik wyłączający rozumowanie w modelu hybrydowym działa również tutaj.
Domyślny szablon czatu już rozpoczyna sekwencję rozumowania znacznikiem otwierającym, dlatego jawne ustawienie enable_thinking=True jest zbędne. Zwrócona sekwencja może zawierać znacznik zamykający bez powtarzania otwierającego. Przykład producenta oddziela rozumowanie od odpowiedzi końcowej. Zachowaj to rozróżnienie przy zamawianiu konkretnego rezultatu: konkluzja dowodu, poprawka lub tabela decyzji powinny pozostać łatwe do znalezienia po dłuższym wyjaśnieniu.
Przygotowanie trudnego zadania
Podaj modelowi pełną treść problemu, ograniczenia i odpowiednie dowody. W przypadku zmiany kodu dołącz istniejącą funkcję, dane wywołujące błąd i oczekiwane zachowanie, a następnie poproś o proponowaną poprawkę z wyjaśnieniem przypadków brzegowych. W pytaniu naukowym oddziel obserwacje od założeń i zapytaj, jaki wniosek wynika z każdego z nich. W długim regulaminie lub specyfikacji zachowaj identyfikatory sekcji i poproś o zwięzłą decyzję popartą odpowiednimi zapisami. Są to praktyczne zastosowania udokumentowanych dziedzin rozumowania, a nie twierdzenia, że model wykonał poprawkę lub zweryfikował eksperyment.
Ponieważ ta wersja może długo rozumować, zarezerwuj miejsce zarówno na rozumowanie, jak i końcowy rezultat. Qwen zaleca, aby podczas konfiguracji modelu w miarę możliwości zachować kontekst powyżej 131,072 tokenów, nawet jeśli mniejszy kontekst zmniejszyłby presję na pamięć. Wartość natywnego kontekstu obejmuje budżet sekwencji; nie oznacza, że całość można przeznaczyć na dokument z pozostawieniem nieograniczonego miejsca na odpowiedź.
Zastosowania agentowe
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów narzędzi oraz parsowania, w tym integracji ze skonfigurowanymi narzędziami i procesów z interpreterem kodu. Jawnie zdefiniuj narzędzia i zamierzony wynik. Na przykład aplikacja może pozwolić modelowi przeanalizować pobrane dowody, użyć dozwolonego kalkulatora, a następnie przygotować raport wyjaśniający obliczenie. Pobieranie i wykonanie należą do podłączonych narzędzi; sama zdolność wywoływania narzędzi nie daje modelowi dostępu do internetu, środowiska kodu ani systemów biznesowych.
Przetwarzanie bardzo długiego tekstu
Qwen dokumentuje opcjonalny proces sięgający około miliona tokenów przez połączenie Dual Chunk Attention z rzadką uwagą MInference. Pierwsza technika dzieli długie sekwencje na fragmenty, zachowując interakcje między nimi; druga skupia obliczenia na wybranych relacjach uwagi. To dodatkowa ścieżka konfiguracji wykraczająca poza natywny kontekst o długości 262,144 tokenów. Procedura producenta wymaga specjalnej konfiguracji długiego kontekstu i szacuje około 240 GB łącznej pamięci GPU na wagi, buforowany stan uwagi i szczytowe aktywacje.
Ta procedura ma konkretne ograniczenia zasobów: buforowany stan sekwencji, pamięć aktywacji i całkowita długość wejścia mogą niezależnie wyczerpać skonfigurowaną pojemność. Proces dla miliona tokenów zależy zatem od konfiguracji, pamięci i obsługiwanej implementacji uwagi. W praktycznej ocenie dokumentów zacznij od istotnego materiału, oznacz granice dokumentów i poproś o dowody z możliwym do prześledzenia źródłem, zamiast traktować największe możliwe wejście jako zamiennik jasnego pytania.
Wskazówki i limity generowania
Qwen zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0. Sugeruje budżet wyjściowy 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo trudnych problemów matematycznych lub programistycznych. Są to zalecenia dotyczące budżetu generowania, a nie osobno opublikowany sztywny limit wyjściowy. Presence penalty między zero a dwa może ograniczyć powtórzenia, ale wyższe wartości mogą mieszać języki lub nieco obniżać jakość.
Określ w poleceniu format odpowiedzi końcowej, taki jak wydzielony wynik matematyczny lub pole odpowiedzi na pytanie wielokrotnego wyboru. Zachowuj w historii rozmowy tylko część z odpowiedzią końcową, zgodnie z zaleceniem producenta. Dłuższe rozumowanie jest przydatne, gdy prowadzi do sprawdzalnego wyniku; przed poleganiem na rezultacie przeanalizuj założenia, obliczenia i proponowany kod.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3-30b-a3b-thinking-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.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | 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 $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-30b-a3b-thinking-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': 'qwen3-30b-a3b-thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Przykład techniczny po angielsku
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.