Najważniejsze cechy Qwen3.8: długotrwałe rozumowanie tekstowe
Qwen3.8-2.4T-A95B to otwarta wersja Qwen3.8 do rozumowania tekstowego. Qwen opisuje usprawnienia w programowaniu, pracy profesjonalnej, badaniach i długofalowych zadaniach agentowych, w tym planowaniu i korzystaniu z informacji zwrotnych ze środowiska. Przyjmuje tekst i zwraca tekst. Producent wyraźnie oddziela go od zarządzanej oferty Qwen3.8-Max: wejście wizualne i obsługa trybu bez rozumowania są dodatkowymi funkcjami tej oferty, a nie możliwościami tej konkretnej otwartej wersji.
W zadaniu programistycznym dostarcz odpowiednie moduły, wymaganie i dane wejściowe ujawniające obecne zachowanie. Poproś o zmianę z wyjaśnieniem i końcowy rezultat możliwy do sprawdzenia. W raporcie badawczym lub profesjonalnym dostarcz dowody, wymagane sekcje i kryteria oceny, a następnie poproś model o odróżnienie popartych ustaleń od założeń. Są to praktyczne zastosowania udokumentowanego zakresu zadań, a nie obietnice wykonanego kodu lub wniosków zatwierdzonych przez eksperta.
Przegląd modelu
Model mixture-of-experts z rzadką aktywacją ma łącznie 2.4 biliona parametrów i aktywuje 95 miliardów. Ma 92 warstwy i 512 ekspertów obsługiwanych przez router, z których wybiera dziesięciu wraz z jednym ekspertem współdzielonym. Jego bloki hybrydowe łączą Gated DeltaNet i bramkowaną uwagę z warstwami ekspertów według wzorca trzy do jednego. Przewidywanie wielu tokenów jest częścią treningu. Liczba aktywowanych parametrów nie jest pełnym rozmiarem wersji, a duża łączna liczba parametrów nie stanowi gwarancji czasu odpowiedzi.
Natywny kontekst wynosi 262,144 tokenów, z udokumentowanym rozszerzeniem do 1,010,000. Różni się to od domyślnego kontekstu miliona tokenów w dokumentacji referencyjnej zarządzanego Max. Używaj rzeczywistego skonfigurowanego limitu sekwencji na tekst źródłowy, historię rozmowy, rozumowanie i odpowiedź końcową, zamiast zakładać, że wszystkie największe liczby obowiązują jednocześnie.
Korzystanie z konkretnej wersji rozumującej
Rozumowanie jest wymagane przy każdej interakcji i nie można go wyłączyć. Udokumentowane wyjście rozpoczyna się blokiem rozumowania przed tekstem końcowym. reasoning_effort obsługuje xhigh, medium i low; xhigh jest wartością domyślną. Low zmniejsza zamierzoną głębokość, ale pozostaje trybem rozumowania. Prośba o zwięzłą odpowiedź końcową może sterować żądanym rezultatem bez przekształcania tego modelu w wersję bez rozumowania.
preserve_thinking jest domyślnie włączone. Zachowywanie rozumowania z wcześniejszych tur pomaga zadaniu iteracyjnemu przenosić dalej kontekst decyzji. Zachowuj poprawki, wyniki narzędzi i odpowiedź końcową w powiązaniu z turami, które je utworzyły. Ten model powinien przestrzegać własnego kontraktu historii zamiast dziedziczyć starszą radę usuwania każdego bloku rozumowania z dawnych wiadomości. Dokładny sposób udostępniania ustawień wysiłku i zachowywania zależy od interfejsu implementującego procedurę tej wersji.
Środowiska pracy i informacje zwrotne ze środowiska
Qwen opisuje zgodność ze środowiskami pracy programistycznej i narzędziami. Długotrwałe zadanie można wyrazić jako cel, dozwolone działania i dowody ukończenia; aplikacja może następnie dostarczać obserwacje ze sprawdzania lub wykonania. Poproś model o wyjaśnienie, jak każdy nowy wynik zmienia plan, i o zgłoszenie kwestii nierozstrzygniętych. Planowanie działania i otrzymanie rzeczywistego wyniku to różne części tego procesu.
Przykłady zarządzanego Max w karcie obejmują dodatkowe narzędzia wbudowane. Nie należy zamieniać ich w automatyczne wyszukiwanie w sieci, wykonywanie kodu lub wejście wizualne tego otwartego modelu. Jego użyteczną rolą jest komponent rozumowania tekstowego w połączonym procesie; narzędzia i efekty zewnętrzne należą do dostarczającej je aplikacji.
Zalecenia generowania
Producent zaleca temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 i repetition penalty 1.0. Tam, gdzie jest obsługiwana, kara obecności między zero a dwa może ograniczać powtarzany tekst, ale wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Obsługa parametrów różni się między implementacjami.
Dla skonfigurowanego procesu miliona tokenów z osobnymi limitami rozumowania i odpowiedzi końcowej Qwen zaleca 262,144 tokenów na rozumowanie i 131,072 na odpowiedź końcową. Są to warunkowe przydziały, a nie osobno ustanowione sztywne limity lub budżety mieszczące się razem w natywnym kontekście 262,144 tokenów. Przydziel wystarczająco dużo miejsca na kompletny rezultat i poproś o wynik końcowy łatwy do znalezienia po rozumowaniu.
Praktyczne ograniczenia
Ta wersja nie przyjmuje obrazów, dźwięku ani wideo. W razie potrzeby przekształć odpowiednie dowody w odpowiednią reprezentację tekstową przez osobny proces, zachowując identyfikatory pozwalające sprawdzić odpowiedź. Karta podaje rozszerzony kontekst, ale nie przedstawia kompletnej procedury rozszerzenia dla poszczególnych zadań ani uniwersalnego limitu mediów dla tego wyłącznie tekstowego modelu. Zachowaj dokładną tożsamość wersji i konfigurację, sprawdź obliczenia i propozycje kodu względem źródła oraz traktuj końcowy rezultat jako wynik do oceny, a nie dowód ukończenia całego zadania zewnętrznego.
", "aboutText": "Najważniejsze cechy Qwen3.8: długotrwałe rozumowanie tekstowe\n\nQwen3.8-2.4T-A95B to otwarta wersja Qwen3.8 do rozumowania tekstowego. Qwen opisuje usprawnienia w programowaniu, pracy profesjonalnej, badaniach i długofalowych zadaniach agentowych, w tym planowaniu i korzystaniu z informacji zwrotnych ze środowiska. Przyjmuje tekst i zwraca tekst. Producent wyraźnie oddziela go od zarządzanej oferty Qwen3.8-Max: wejście wizualne i obsługa trybu bez rozumowania są dodatkowymi funkcjami tej oferty, a nie możliwościami tej konkretnej otwartej wersji.\n\nW zadaniu programistycznym dostarcz odpowiednie moduły, wymaganie i dane wejściowe ujawniające obecne zachowanie. Poproś o zmianę z wyjaśnieniem i końcowy rezultat możliwy do sprawdzenia. W raporcie badawczym lub profesjonalnym dostarcz dowody, wymagane sekcje i kryteria oceny, a następnie poproś model o odróżnienie popartych ustaleń od założeń. Są to praktyczne zastosowania udokumentowanego zakresu zadań, a nie obietnice wykonanego kodu lub wniosków zatwierdzonych przez eksperta.\n\nPrzegląd modelu\n\nModel mixture-of-experts z rzadką aktywacją ma łącznie 2.4 biliona parametrów i aktywuje 95 miliardów. Ma 92 warstwy i 512 ekspertów obsługiwanych przez router, z których wybiera dziesięciu wraz z jednym ekspertem współdzielonym. Jego bloki hybrydowe łączą Gated DeltaNet i bramkowaną uwagę z warstwami ekspertów według wzorca trzy do jednego. Przewidywanie wielu tokenów jest częścią treningu. Liczba aktywowanych parametrów nie jest pełnym rozmiarem wersji, a duża łączna liczba parametrów nie stanowi gwarancji czasu odpowiedzi.\n\nNatywny kontekst wynosi 262,144 tokenów, z udokumentowanym rozszerzeniem do 1,010,000. Różni się to od domyślnego kontekstu miliona tokenów w dokumentacji referencyjnej zarządzanego Max. Używaj rzeczywistego skonfigurowanego limitu sekwencji na tekst źródłowy, historię rozmowy, rozumowanie i odpowiedź końcową, zamiast zakładać, że wszystkie największe liczby obowiązują jednocześnie.\n\nKorzystanie z konkretnej wersji rozumującej\n\nRozumowanie jest wymagane przy każdej interakcji i nie można go wyłączyć. Udokumentowane wyjście rozpoczyna się blokiem rozumowania przed tekstem końcowym. reasoning_effort obsługuje xhigh, medium i low; xhigh jest wartością domyślną. Low zmniejsza zamierzoną głębokość, ale pozostaje trybem rozumowania. Prośba o zwięzłą odpowiedź końcową może sterować żądanym rezultatem bez przekształcania tego modelu w wersję bez rozumowania.\n\npreserve_thinking jest domyślnie włączone. Zachowywanie rozumowania z wcześniejszych tur pomaga zadaniu iteracyjnemu przenosić dalej kontekst decyzji. Zachowuj poprawki, wyniki narzędzi i odpowiedź końcową w powiązaniu z turami, które je utworzyły. Ten model powinien przestrzegać własnego kontraktu historii zamiast dziedziczyć starszą radę usuwania każdego bloku rozumowania z dawnych wiadomości. Dokładny sposób udostępniania ustawień wysiłku i zachowywania zależy od interfejsu implementującego procedurę tej wersji.\n\nŚrodowiska pracy i informacje zwrotne ze środowiska\n\nQwen opisuje zgodność ze środowiskami pracy programistycznej i narzędziami. Długotrwałe zadanie można wyrazić jako cel, dozwolone działania i dowody ukończenia; aplikacja może następnie dostarczać obserwacje ze sprawdzania lub wykonania. Poproś model o wyjaśnienie, jak każdy nowy wynik zmienia plan, i o zgłoszenie kwestii nierozstrzygniętych. Planowanie działania i otrzymanie rzeczywistego wyniku to różne części tego procesu.\n\nPrzykłady zarządzanego Max w karcie obejmują dodatkowe narzędzia wbudowane. Nie należy zamieniać ich w automatyczne wyszukiwanie w sieci, wykonywanie kodu lub wejście wizualne tego otwartego modelu. Jego użyteczną rolą jest komponent rozumowania tekstowego w połączonym procesie; narzędzia i efekty zewnętrzne należą do dostarczającej je aplikacji.\n\nZalecenia generowania\n\nProducent zaleca temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 i repetition penalty 1.0. Tam, gdzie jest obsługiwana, kara obecności między zero a dwa może ograniczać powtarzany tekst, ale wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Obsługa parametrów różni się między implementacjami.\n\nDla skonfigurowanego procesu miliona tokenów z osobnymi limitami rozumowania i odpowiedzi końcowej Qwen zaleca 262,144 tokenów na rozumowanie i 131,072 na odpowiedź końcową. Są to warunkowe przydziały, a nie osobno ustanowione sztywne limity lub budżety mieszczące się razem w natywnym kontekście 262,144 tokenów. Przydziel wystarczająco dużo miejsca na kompletny rezultat i poproś o wynik końcowy łatwy do znalezienia po rozumowaniu.\n\nPraktyczne ograniczenia\n\nTa wersja nie przyjmuje obrazów, dźwięku ani wideo. W razie potrzeby przekształć odpowiednie dowody w odpowiednią reprezentację tekstową przez osobny proces, zachowując identyfikatory pozwalające sprawdzić odpowiedź. Karta podaje rozszerzony kontekst, ale nie przedstawia kompletnej procedury rozszerzenia dla poszczególnych zadań ani uniwersalnego limitu mediów dla tego wyłącznie tekstowego modelu. Zachowaj dokładną tożsamość wersji i konfigurację, sprawdź obliczenia i propozycje kodu względem źródła oraz traktuj końcowy rezultat jako wynik do oceny, a nie dowód ukończenia całego zadania zewnętrznego.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B to model rozumowania tekstowego Qwen o architekturze mixture-of-experts z rzadką aktywacją, z 2.4 biliona parametrów ogółem i 95 miliardami aktywowanych. Ta otwarta wersja zawsze używa rozumowania, obsługuje regulowany poziom wysiłku rozumowania i zachowuje kontekst rozumowania dla długotrwałych zadań programistycznych i profesjonalnych.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3.8: długotrwałe rozumowanie tekstowe
Qwen3.8-2.4T-A95B to otwarta wersja Qwen3.8 do rozumowania tekstowego. Qwen opisuje usprawnienia w programowaniu, pracy profesjonalnej, badaniach i długofalowych zadaniach agentowych, w tym planowaniu i korzystaniu z informacji zwrotnych ze środowiska. Przyjmuje tekst i zwraca tekst. Producent wyraźnie oddziela go od zarządzanej oferty Qwen3.8-Max: wejście wizualne i obsługa trybu bez rozumowania są dodatkowymi funkcjami tej oferty, a nie możliwościami tej konkretnej otwartej wersji.
W zadaniu programistycznym dostarcz odpowiednie moduły, wymaganie i dane wejściowe ujawniające obecne zachowanie. Poproś o zmianę z wyjaśnieniem i końcowy rezultat możliwy do sprawdzenia. W raporcie badawczym lub profesjonalnym dostarcz dowody, wymagane sekcje i kryteria oceny, a następnie poproś model o odróżnienie popartych ustaleń od założeń. Są to praktyczne zastosowania udokumentowanego zakresu zadań, a nie obietnice wykonanego kodu lub wniosków zatwierdzonych przez eksperta.
Przegląd modelu
Model mixture-of-experts z rzadką aktywacją ma łącznie 2.4 biliona parametrów i aktywuje 95 miliardów. Ma 92 warstwy i 512 ekspertów obsługiwanych przez router, z których wybiera dziesięciu wraz z jednym ekspertem współdzielonym. Jego bloki hybrydowe łączą Gated DeltaNet i bramkowaną uwagę z warstwami ekspertów według wzorca trzy do jednego. Przewidywanie wielu tokenów jest częścią treningu. Liczba aktywowanych parametrów nie jest pełnym rozmiarem wersji, a duża łączna liczba parametrów nie stanowi gwarancji czasu odpowiedzi.
Natywny kontekst wynosi 262,144 tokenów, z udokumentowanym rozszerzeniem do 1,010,000. Różni się to od domyślnego kontekstu miliona tokenów w dokumentacji referencyjnej zarządzanego Max. Używaj rzeczywistego skonfigurowanego limitu sekwencji na tekst źródłowy, historię rozmowy, rozumowanie i odpowiedź końcową, zamiast zakładać, że wszystkie największe liczby obowiązują jednocześnie.
Korzystanie z konkretnej wersji rozumującej
Rozumowanie jest wymagane przy każdej interakcji i nie można go wyłączyć. Udokumentowane wyjście rozpoczyna się blokiem rozumowania przed tekstem końcowym. reasoning_effort obsługuje xhigh, medium i low; xhigh jest wartością domyślną. Low zmniejsza zamierzoną głębokość, ale pozostaje trybem rozumowania. Prośba o zwięzłą odpowiedź końcową może sterować żądanym rezultatem bez przekształcania tego modelu w wersję bez rozumowania.
preserve_thinking jest domyślnie włączone. Zachowywanie rozumowania z wcześniejszych tur pomaga zadaniu iteracyjnemu przenosić dalej kontekst decyzji. Zachowuj poprawki, wyniki narzędzi i odpowiedź końcową w powiązaniu z turami, które je utworzyły. Ten model powinien przestrzegać własnego kontraktu historii zamiast dziedziczyć starszą radę usuwania każdego bloku rozumowania z dawnych wiadomości. Dokładny sposób udostępniania ustawień wysiłku i zachowywania zależy od interfejsu implementującego procedurę tej wersji.
Środowiska pracy i informacje zwrotne ze środowiska
Qwen opisuje zgodność ze środowiskami pracy programistycznej i narzędziami. Długotrwałe zadanie można wyrazić jako cel, dozwolone działania i dowody ukończenia; aplikacja może następnie dostarczać obserwacje ze sprawdzania lub wykonania. Poproś model o wyjaśnienie, jak każdy nowy wynik zmienia plan, i o zgłoszenie kwestii nierozstrzygniętych. Planowanie działania i otrzymanie rzeczywistego wyniku to różne części tego procesu.
Przykłady zarządzanego Max w karcie obejmują dodatkowe narzędzia wbudowane. Nie należy zamieniać ich w automatyczne wyszukiwanie w sieci, wykonywanie kodu lub wejście wizualne tego otwartego modelu. Jego użyteczną rolą jest komponent rozumowania tekstowego w połączonym procesie; narzędzia i efekty zewnętrzne należą do dostarczającej je aplikacji.
Zalecenia generowania
Producent zaleca temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 i repetition penalty 1.0. Tam, gdzie jest obsługiwana, kara obecności między zero a dwa może ograniczać powtarzany tekst, ale wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Obsługa parametrów różni się między implementacjami.
Dla skonfigurowanego procesu miliona tokenów z osobnymi limitami rozumowania i odpowiedzi końcowej Qwen zaleca 262,144 tokenów na rozumowanie i 131,072 na odpowiedź końcową. Są to warunkowe przydziały, a nie osobno ustanowione sztywne limity lub budżety mieszczące się razem w natywnym kontekście 262,144 tokenów. Przydziel wystarczająco dużo miejsca na kompletny rezultat i poproś o wynik końcowy łatwy do znalezienia po rozumowaniu.
Praktyczne ograniczenia
Ta wersja nie przyjmuje obrazów, dźwięku ani wideo. W razie potrzeby przekształć odpowiednie dowody w odpowiednią reprezentację tekstową przez osobny proces, zachowując identyfikatory pozwalające sprawdzić odpowiedź. Karta podaje rozszerzony kontekst, ale nie przedstawia kompletnej procedury rozszerzenia dla poszczególnych zadań ani uniwersalnego limitu mediów dla tego wyłącznie tekstowego modelu. Zachowaj dokładną tożsamość wersji i konfigurację, sprawdź obliczenia i propozycje kodu względem źródła oraz traktuj końcowy rezultat jako wynik do oceny, a nie dowód ukończenia całego zadania zewnętrznego.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.012 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.005 / 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 $0.004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.012 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.005 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Użyj ścieżek metod podanych powyżej.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B to model rozumowania tekstowego Qwen o architekturze mixture-of-experts z rzadką aktywacją, z 2.4 biliona parametrów ogółem i 95 miliardami aktywowanych. Ta otwarta wersja zawsze używa rozumowania, obsługuje regulowany poziom wysiłku rozumowania i zachowuje kontekst rozumowania dla długotrwałych zadań programistycznych i profesjonalnych.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3.8: długotrwałe rozumowanie tekstowe
Qwen3.8-2.4T-A95B to otwarta wersja Qwen3.8 do rozumowania tekstowego. Qwen opisuje usprawnienia w programowaniu, pracy profesjonalnej, badaniach i długofalowych zadaniach agentowych, w tym planowaniu i korzystaniu z informacji zwrotnych ze środowiska. Przyjmuje tekst i zwraca tekst. Producent wyraźnie oddziela go od zarządzanej oferty Qwen3.8-Max: wejście wizualne i obsługa trybu bez rozumowania są dodatkowymi funkcjami tej oferty, a nie możliwościami tej konkretnej otwartej wersji.
W zadaniu programistycznym dostarcz odpowiednie moduły, wymaganie i dane wejściowe ujawniające obecne zachowanie. Poproś o zmianę z wyjaśnieniem i końcowy rezultat możliwy do sprawdzenia. W raporcie badawczym lub profesjonalnym dostarcz dowody, wymagane sekcje i kryteria oceny, a następnie poproś model o odróżnienie popartych ustaleń od założeń. Są to praktyczne zastosowania udokumentowanego zakresu zadań, a nie obietnice wykonanego kodu lub wniosków zatwierdzonych przez eksperta.
Przegląd modelu
Model mixture-of-experts z rzadką aktywacją ma łącznie 2.4 biliona parametrów i aktywuje 95 miliardów. Ma 92 warstwy i 512 ekspertów obsługiwanych przez router, z których wybiera dziesięciu wraz z jednym ekspertem współdzielonym. Jego bloki hybrydowe łączą Gated DeltaNet i bramkowaną uwagę z warstwami ekspertów według wzorca trzy do jednego. Przewidywanie wielu tokenów jest częścią treningu. Liczba aktywowanych parametrów nie jest pełnym rozmiarem wersji, a duża łączna liczba parametrów nie stanowi gwarancji czasu odpowiedzi.
Natywny kontekst wynosi 262,144 tokenów, z udokumentowanym rozszerzeniem do 1,010,000. Różni się to od domyślnego kontekstu miliona tokenów w dokumentacji referencyjnej zarządzanego Max. Używaj rzeczywistego skonfigurowanego limitu sekwencji na tekst źródłowy, historię rozmowy, rozumowanie i odpowiedź końcową, zamiast zakładać, że wszystkie największe liczby obowiązują jednocześnie.
Korzystanie z konkretnej wersji rozumującej
Rozumowanie jest wymagane przy każdej interakcji i nie można go wyłączyć. Udokumentowane wyjście rozpoczyna się blokiem rozumowania przed tekstem końcowym. reasoning_effort obsługuje xhigh, medium i low; xhigh jest wartością domyślną. Low zmniejsza zamierzoną głębokość, ale pozostaje trybem rozumowania. Prośba o zwięzłą odpowiedź końcową może sterować żądanym rezultatem bez przekształcania tego modelu w wersję bez rozumowania.
preserve_thinking jest domyślnie włączone. Zachowywanie rozumowania z wcześniejszych tur pomaga zadaniu iteracyjnemu przenosić dalej kontekst decyzji. Zachowuj poprawki, wyniki narzędzi i odpowiedź końcową w powiązaniu z turami, które je utworzyły. Ten model powinien przestrzegać własnego kontraktu historii zamiast dziedziczyć starszą radę usuwania każdego bloku rozumowania z dawnych wiadomości. Dokładny sposób udostępniania ustawień wysiłku i zachowywania zależy od interfejsu implementującego procedurę tej wersji.
Środowiska pracy i informacje zwrotne ze środowiska
Qwen opisuje zgodność ze środowiskami pracy programistycznej i narzędziami. Długotrwałe zadanie można wyrazić jako cel, dozwolone działania i dowody ukończenia; aplikacja może następnie dostarczać obserwacje ze sprawdzania lub wykonania. Poproś model o wyjaśnienie, jak każdy nowy wynik zmienia plan, i o zgłoszenie kwestii nierozstrzygniętych. Planowanie działania i otrzymanie rzeczywistego wyniku to różne części tego procesu.
Przykłady zarządzanego Max w karcie obejmują dodatkowe narzędzia wbudowane. Nie należy zamieniać ich w automatyczne wyszukiwanie w sieci, wykonywanie kodu lub wejście wizualne tego otwartego modelu. Jego użyteczną rolą jest komponent rozumowania tekstowego w połączonym procesie; narzędzia i efekty zewnętrzne należą do dostarczającej je aplikacji.
Zalecenia generowania
Producent zaleca temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 i repetition penalty 1.0. Tam, gdzie jest obsługiwana, kara obecności między zero a dwa może ograniczać powtarzany tekst, ale wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Obsługa parametrów różni się między implementacjami.
Dla skonfigurowanego procesu miliona tokenów z osobnymi limitami rozumowania i odpowiedzi końcowej Qwen zaleca 262,144 tokenów na rozumowanie i 131,072 na odpowiedź końcową. Są to warunkowe przydziały, a nie osobno ustanowione sztywne limity lub budżety mieszczące się razem w natywnym kontekście 262,144 tokenów. Przydziel wystarczająco dużo miejsca na kompletny rezultat i poproś o wynik końcowy łatwy do znalezienia po rozumowaniu.
Praktyczne ograniczenia
Ta wersja nie przyjmuje obrazów, dźwięku ani wideo. W razie potrzeby przekształć odpowiednie dowody w odpowiednią reprezentację tekstową przez osobny proces, zachowując identyfikatory pozwalające sprawdzić odpowiedź. Karta podaje rozszerzony kontekst, ale nie przedstawia kompletnej procedury rozszerzenia dla poszczególnych zadań ani uniwersalnego limitu mediów dla tego wyłącznie tekstowego modelu. Zachowaj dokładną tożsamość wersji i konfigurację, sprawdź obliczenia i propozycje kodu względem źródła oraz traktuj końcowy rezultat jako wynik do oceny, a nie dowód ukończenia całego zadania zewnętrznego.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.012 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.005 / 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 $0.004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.012 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.005 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.