Najważniejsze cechy: model zbudowany dla agentów programistycznych
Qwen3-Coder-Next to otwarty model tekstowy zaprojektowany specjalnie dla agentów programistycznych i przepływów rozwoju oprogramowania. Qwen opisuje rozwiązywanie problemów w długim horyzoncie, złożone użycie narzędzi i odzyskiwanie poprawnego działania po błędach wykonania, wraz z dostosowaniem do różnych środowisk wspierających rozwój. Przyjmuje tekst i tworzy tekst, w tym kod, wyjaśnienia i żądania narzędzi. Dokładnie ten checkpoint Coder-Next ma własny kontrakt bez myślenia; nie należy zastępować go edycjami Thinking z szerszej rodziny Next.
W zadaniu programistycznym podaj istotne pliki lub fragmenty, zamierzone zachowanie i wejście pokazujące problem. Poproś o edytowalną zmianę i wyjaśnienie powiązane z tymi warunkami. W zadaniu obejmującym kilka etapów określ cel, dozwolone narzędzia i obserwacje świadczące o zakończeniu. Sprawdź proponowaną zmianę kodu i jej wyjaśnienie względem dostarczonych plików, wejścia wywołującego błąd i kryteriów zakończenia.
Przegląd modelu
Model ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Jego 48-warstwowy układ hybrydowy powtarza trzy warstwy eksperckie Gated DeltaNet, po których następuje jedna warstwa ekspercka uwagi bramkowanej. Producent wymienia 512 ekspertów, dziesięciu aktywowanych ekspertów i jednego współdzielonego eksperta. Mała aktywowana liczba jest cechą obliczeniową modelu rzadkiego, a nie rozmiarem całego checkpointu.
Natywny kontekst wynosi 262 144 tokeny. Przykłady producenta pozwalają na mniejszy kontekst, taki jak 32 768, gdy ograniczenia pamięci uniemożliwiają działanie większej konfiguracji. Kod źródłowy, historia, obserwacje narzędzi i wygenerowany tekst muszą mieścić się w skonfigurowanej puli sekwencji. Karta nie ustanawia domyślnego rozszerzenia do miliona tokenów dla tego checkpointu.
Korzystanie z interfejsu tekstowego bez myślenia
Coder-Next obsługuje tylko tryb bez myślenia i nie generuje jawnych bloków myślenia. Ustawienie enable_thinking=False jest zbędne w przykładzie producenta. Nadal może wyjaśniać poprawkę, omawiać algorytm lub rozumować w zwykłym tekście; brak myślenia opisuje jego tryb wyjścia, a nie zakazuje wyjaśnienia.
Szybki start prosi o algorytm sortowania i wykorzystuje pulę generowania 65 536 tokenów. Ta wartość jest przykładowym budżetem, a nie osobno opublikowanym twardym limitem wyjścia. Określ format i ograniczenia rezultatu: język, istotne interfejsy, wymagane zachowanie i to, czy odpowiedź powinna zawierać poprawkę, kompletną funkcję czy wyjaśnienie. Zachowaj edytowalny wynik oddzielnie od komentarza, aby łatwo było go sprawdzić.
Środowiska wspierające rozwój i kontekst
Producent podkreśla zgodność ze środowiskami agentowymi w stylu CLI i IDE, w tym Qwen Code. Takie środowisko dostarcza stan projektu, definicje narzędzi, obserwacje i format rozmowy. Zachowuj spójność tych wejść podczas zadania wieloetapowego. Gdy narzędzie zgłosi niespełnione sprawdzenie, podaj rzeczywisty błąd i istotny zmieniony kod zamiast jedynie nakazywać modelowi ponowną próbę.
Praca w długim horyzoncie korzysta z widocznego stanu zadania: co zaobserwowano, jaka zmiana jest proponowana i który warunek pozostaje nierozstrzygnięty. Obserwacja narzędzia różni się od twierdzenia w wygenerowanym tekście. Zdolności modelu do odzyskiwania działania po błędach nie należy traktować jako automatycznego pozwolenia na uruchamianie poleceń ani gwarancji, że każde odzyskanie się powiedzie.
Programowanie agentowe i wywołania narzędzi
Qwen dokumentuje definicje narzędzi w stylu funkcji z nazwami, opisami, schematami wejścia i wymaganymi polami. Podaj precyzyjną definicję i oczekiwane znaczenie wartości zwracanej. Aplikacja wykonuje wybrane narzędzie i zwraca jego wynik; model wykorzystuje następnie ten wynik w kolejnym kroku. Samo wywoływanie narzędzi nie daje dostępu do systemu plików, aktualnych źródeł ani środowiska wykonawczego.
Dla agenta edytującego repozytorium ogranicz dozwolone pliki i żądany rezultat. Przydatny raport końcowy może wskazywać objęte zmianą moduły, wyjaśniać zmianę i wymieniać rzeczywiste wyniki zwrócone przez podłączone sprawdzenia. Zachowaj rozróżnienie między proponowanymi poleceniami, wygenerowanym kodem i zakończonymi operacjami. Są to praktyczne przykłady przepływów oparte na udokumentowanym zakresie rozwoju i narzędzi.
Zalecenia generowania
Producent zaleca temperature 1,0, top_p 0,95 i top_k 40. Te dokładne ustawienia różnią się od kilku konwersacyjnych modeli Qwen i powinny pozostać częścią własnej instrukcji użycia Coder-Next. Opublikowana konfiguracja wykorzystuje architekturę przyczynowego modelu językowego Qwen3-Next. Konsekwentnie używaj udokumentowanej nazwy modelu i szablonu rozmowy tego checkpointu w całym przepływie programistycznym.
Istotne ograniczenia
Udokumentowanym wejściem jest tekst, więc zrzuty ekranu, dźwięk lub wideo wymagają odpowiedniej osobnej reprezentacji przed tym przepływem programistycznym. Natywny kontekst i przykładowe pule generowania są skończone; ogranicz niepowiązany kod i zarezerwuj miejsce na żądany rezultat. Sprawdź wygenerowaną składnię, interfejsy, przypadki brzegowe i proponowane zmiany w rzeczywistym przepływie programistycznym. Przydatnym wyjściem jest kod lub wyjaśnienie nadające się do inspekcji, poparte rzeczywistymi dowodami zadania, z zachowaniem wyłącznie tekstowej tożsamości tego checkpointu i trybu bez myślenia.
", "aboutText": "Najważniejsze cechy: model zbudowany dla agentów programistycznych\n\nQwen3-Coder-Next to otwarty model tekstowy zaprojektowany specjalnie dla agentów programistycznych i przepływów rozwoju oprogramowania. Qwen opisuje rozwiązywanie problemów w długim horyzoncie, złożone użycie narzędzi i odzyskiwanie poprawnego działania po błędach wykonania, wraz z dostosowaniem do różnych środowisk wspierających rozwój. Przyjmuje tekst i tworzy tekst, w tym kod, wyjaśnienia i żądania narzędzi. Dokładnie ten checkpoint Coder-Next ma własny kontrakt bez myślenia; nie należy zastępować go edycjami Thinking z szerszej rodziny Next.\n\nW zadaniu programistycznym podaj istotne pliki lub fragmenty, zamierzone zachowanie i wejście pokazujące problem. Poproś o edytowalną zmianę i wyjaśnienie powiązane z tymi warunkami. W zadaniu obejmującym kilka etapów określ cel, dozwolone narzędzia i obserwacje świadczące o zakończeniu. Sprawdź proponowaną zmianę kodu i jej wyjaśnienie względem dostarczonych plików, wejścia wywołującego błąd i kryteriów zakończenia.\n\nPrzegląd modelu\n\nModel ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Jego 48-warstwowy układ hybrydowy powtarza trzy warstwy eksperckie Gated DeltaNet, po których następuje jedna warstwa ekspercka uwagi bramkowanej. Producent wymienia 512 ekspertów, dziesięciu aktywowanych ekspertów i jednego współdzielonego eksperta. Mała aktywowana liczba jest cechą obliczeniową modelu rzadkiego, a nie rozmiarem całego checkpointu.\n\nNatywny kontekst wynosi 262 144 tokeny. Przykłady producenta pozwalają na mniejszy kontekst, taki jak 32 768, gdy ograniczenia pamięci uniemożliwiają działanie większej konfiguracji. Kod źródłowy, historia, obserwacje narzędzi i wygenerowany tekst muszą mieścić się w skonfigurowanej puli sekwencji. Karta nie ustanawia domyślnego rozszerzenia do miliona tokenów dla tego checkpointu.\n\nKorzystanie z interfejsu tekstowego bez myślenia\n\nCoder-Next obsługuje tylko tryb bez myślenia i nie generuje jawnych bloków myślenia. Ustawienie enable_thinking=False jest zbędne w przykładzie producenta. Nadal może wyjaśniać poprawkę, omawiać algorytm lub rozumować w zwykłym tekście; brak myślenia opisuje jego tryb wyjścia, a nie zakazuje wyjaśnienia.\n\nSzybki start prosi o algorytm sortowania i wykorzystuje pulę generowania 65 536 tokenów. Ta wartość jest przykładowym budżetem, a nie osobno opublikowanym twardym limitem wyjścia. Określ format i ograniczenia rezultatu: język, istotne interfejsy, wymagane zachowanie i to, czy odpowiedź powinna zawierać poprawkę, kompletną funkcję czy wyjaśnienie. Zachowaj edytowalny wynik oddzielnie od komentarza, aby łatwo było go sprawdzić.\n\nŚrodowiska wspierające rozwój i kontekst\n\nProducent podkreśla zgodność ze środowiskami agentowymi w stylu CLI i IDE, w tym Qwen Code. Takie środowisko dostarcza stan projektu, definicje narzędzi, obserwacje i format rozmowy. Zachowuj spójność tych wejść podczas zadania wieloetapowego. Gdy narzędzie zgłosi niespełnione sprawdzenie, podaj rzeczywisty błąd i istotny zmieniony kod zamiast jedynie nakazywać modelowi ponowną próbę.\n\nPraca w długim horyzoncie korzysta z widocznego stanu zadania: co zaobserwowano, jaka zmiana jest proponowana i który warunek pozostaje nierozstrzygnięty. Obserwacja narzędzia różni się od twierdzenia w wygenerowanym tekście. Zdolności modelu do odzyskiwania działania po błędach nie należy traktować jako automatycznego pozwolenia na uruchamianie poleceń ani gwarancji, że każde odzyskanie się powiedzie.\n\nProgramowanie agentowe i wywołania narzędzi\n\nQwen dokumentuje definicje narzędzi w stylu funkcji z nazwami, opisami, schematami wejścia i wymaganymi polami. Podaj precyzyjną definicję i oczekiwane znaczenie wartości zwracanej. Aplikacja wykonuje wybrane narzędzie i zwraca jego wynik; model wykorzystuje następnie ten wynik w kolejnym kroku. Samo wywoływanie narzędzi nie daje dostępu do systemu plików, aktualnych źródeł ani środowiska wykonawczego.\n\nDla agenta edytującego repozytorium ogranicz dozwolone pliki i żądany rezultat. Przydatny raport końcowy może wskazywać objęte zmianą moduły, wyjaśniać zmianę i wymieniać rzeczywiste wyniki zwrócone przez podłączone sprawdzenia. Zachowaj rozróżnienie między proponowanymi poleceniami, wygenerowanym kodem i zakończonymi operacjami. Są to praktyczne przykłady przepływów oparte na udokumentowanym zakresie rozwoju i narzędzi.\n\nZalecenia generowania\n\nProducent zaleca temperature 1,0, top_p 0,95 i top_k 40. Te dokładne ustawienia różnią się od kilku konwersacyjnych modeli Qwen i powinny pozostać częścią własnej instrukcji użycia Coder-Next. Opublikowana konfiguracja wykorzystuje architekturę przyczynowego modelu językowego Qwen3-Next. Konsekwentnie używaj udokumentowanej nazwy modelu i szablonu rozmowy tego checkpointu w całym przepływie programistycznym.\n\nIstotne ograniczenia\n\nUdokumentowanym wejściem jest tekst, więc zrzuty ekranu, dźwięk lub wideo wymagają odpowiedniej osobnej reprezentacji przed tym przepływem programistycznym. Natywny kontekst i przykładowe pule generowania są skończone; ogranicz niepowiązany kod i zarezerwuj miejsce na żądany rezultat. Sprawdź wygenerowaną składnię, interfejsy, przypadki brzegowe i proponowane zmiany w rzeczywistym przepływie programistycznym. Przydatnym wyjściem jest kod lub wyjaśnienie nadające się do inspekcji, poparte rzeczywistymi dowodami zadania, z zachowaniem wyłącznie tekstowej tożsamości tego checkpointu i trybu bez myślenia.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next to wyłącznie tekstowy model agenta programistycznego Qwen z 80 miliardami parametrów łącznie i 3 miliardami aktywowanymi. Używa wyjścia bez myślenia, natywnego kontekstu 262 144 tokenów i wywołań narzędzi w rozwoju oprogramowania, w tym pracy wieloetapowej i odzyskiwania poprawnego działania na podstawie informacji zwrotnych z wykonania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy: model zbudowany dla agentów programistycznych
Qwen3-Coder-Next to otwarty model tekstowy zaprojektowany specjalnie dla agentów programistycznych i przepływów rozwoju oprogramowania. Qwen opisuje rozwiązywanie problemów w długim horyzoncie, złożone użycie narzędzi i odzyskiwanie poprawnego działania po błędach wykonania, wraz z dostosowaniem do różnych środowisk wspierających rozwój. Przyjmuje tekst i tworzy tekst, w tym kod, wyjaśnienia i żądania narzędzi. Dokładnie ten checkpoint Coder-Next ma własny kontrakt bez myślenia; nie należy zastępować go edycjami Thinking z szerszej rodziny Next.
W zadaniu programistycznym podaj istotne pliki lub fragmenty, zamierzone zachowanie i wejście pokazujące problem. Poproś o edytowalną zmianę i wyjaśnienie powiązane z tymi warunkami. W zadaniu obejmującym kilka etapów określ cel, dozwolone narzędzia i obserwacje świadczące o zakończeniu. Sprawdź proponowaną zmianę kodu i jej wyjaśnienie względem dostarczonych plików, wejścia wywołującego błąd i kryteriów zakończenia.
Przegląd modelu
Model ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Jego 48-warstwowy układ hybrydowy powtarza trzy warstwy eksperckie Gated DeltaNet, po których następuje jedna warstwa ekspercka uwagi bramkowanej. Producent wymienia 512 ekspertów, dziesięciu aktywowanych ekspertów i jednego współdzielonego eksperta. Mała aktywowana liczba jest cechą obliczeniową modelu rzadkiego, a nie rozmiarem całego checkpointu.
Natywny kontekst wynosi 262 144 tokeny. Przykłady producenta pozwalają na mniejszy kontekst, taki jak 32 768, gdy ograniczenia pamięci uniemożliwiają działanie większej konfiguracji. Kod źródłowy, historia, obserwacje narzędzi i wygenerowany tekst muszą mieścić się w skonfigurowanej puli sekwencji. Karta nie ustanawia domyślnego rozszerzenia do miliona tokenów dla tego checkpointu.
Korzystanie z interfejsu tekstowego bez myślenia
Coder-Next obsługuje tylko tryb bez myślenia i nie generuje jawnych bloków myślenia. Ustawienie enable_thinking=False jest zbędne w przykładzie producenta. Nadal może wyjaśniać poprawkę, omawiać algorytm lub rozumować w zwykłym tekście; brak myślenia opisuje jego tryb wyjścia, a nie zakazuje wyjaśnienia.
Szybki start prosi o algorytm sortowania i wykorzystuje pulę generowania 65 536 tokenów. Ta wartość jest przykładowym budżetem, a nie osobno opublikowanym twardym limitem wyjścia. Określ format i ograniczenia rezultatu: język, istotne interfejsy, wymagane zachowanie i to, czy odpowiedź powinna zawierać poprawkę, kompletną funkcję czy wyjaśnienie. Zachowaj edytowalny wynik oddzielnie od komentarza, aby łatwo było go sprawdzić.
Środowiska wspierające rozwój i kontekst
Producent podkreśla zgodność ze środowiskami agentowymi w stylu CLI i IDE, w tym Qwen Code. Takie środowisko dostarcza stan projektu, definicje narzędzi, obserwacje i format rozmowy. Zachowuj spójność tych wejść podczas zadania wieloetapowego. Gdy narzędzie zgłosi niespełnione sprawdzenie, podaj rzeczywisty błąd i istotny zmieniony kod zamiast jedynie nakazywać modelowi ponowną próbę.
Praca w długim horyzoncie korzysta z widocznego stanu zadania: co zaobserwowano, jaka zmiana jest proponowana i który warunek pozostaje nierozstrzygnięty. Obserwacja narzędzia różni się od twierdzenia w wygenerowanym tekście. Zdolności modelu do odzyskiwania działania po błędach nie należy traktować jako automatycznego pozwolenia na uruchamianie poleceń ani gwarancji, że każde odzyskanie się powiedzie.
Programowanie agentowe i wywołania narzędzi
Qwen dokumentuje definicje narzędzi w stylu funkcji z nazwami, opisami, schematami wejścia i wymaganymi polami. Podaj precyzyjną definicję i oczekiwane znaczenie wartości zwracanej. Aplikacja wykonuje wybrane narzędzie i zwraca jego wynik; model wykorzystuje następnie ten wynik w kolejnym kroku. Samo wywoływanie narzędzi nie daje dostępu do systemu plików, aktualnych źródeł ani środowiska wykonawczego.
Dla agenta edytującego repozytorium ogranicz dozwolone pliki i żądany rezultat. Przydatny raport końcowy może wskazywać objęte zmianą moduły, wyjaśniać zmianę i wymieniać rzeczywiste wyniki zwrócone przez podłączone sprawdzenia. Zachowaj rozróżnienie między proponowanymi poleceniami, wygenerowanym kodem i zakończonymi operacjami. Są to praktyczne przykłady przepływów oparte na udokumentowanym zakresie rozwoju i narzędzi.
Zalecenia generowania
Producent zaleca temperature 1,0, top_p 0,95 i top_k 40. Te dokładne ustawienia różnią się od kilku konwersacyjnych modeli Qwen i powinny pozostać częścią własnej instrukcji użycia Coder-Next. Opublikowana konfiguracja wykorzystuje architekturę przyczynowego modelu językowego Qwen3-Next. Konsekwentnie używaj udokumentowanej nazwy modelu i szablonu rozmowy tego checkpointu w całym przepływie programistycznym.
Istotne ograniczenia
Udokumentowanym wejściem jest tekst, więc zrzuty ekranu, dźwięk lub wideo wymagają odpowiedniej osobnej reprezentacji przed tym przepływem programistycznym. Natywny kontekst i przykładowe pule generowania są skończone; ogranicz niepowiązany kod i zarezerwuj miejsce na żądany rezultat. Sprawdź wygenerowaną składnię, interfejsy, przypadki brzegowe i proponowane zmiany w rzeczywistym przepływie programistycznym. Przydatnym wyjściem jest kod lub wyjaśnienie nadające się do inspekcji, poparte rzeczywistymi dowodami zadania, z zachowaniem wyłącznie tekstowej tożsamości tego checkpointu i trybu bez myślenia.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-coder-next | 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 $0.00024 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0016 / 1K tokenów Wejście · Odczyt cache $0.00014 / 1K tokenów Wejście · Zapis do cache — / 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 $0.00024 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0016 / 1K tokenów Wejście · Odczyt cache $0.00014 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Użyj ścieżek metod podanych powyżej.
qwen/qwen3-coder-nextQwen3-Coder-Next to wyłącznie tekstowy model agenta programistycznego Qwen z 80 miliardami parametrów łącznie i 3 miliardami aktywowanymi. Używa wyjścia bez myślenia, natywnego kontekstu 262 144 tokenów i wywołań narzędzi w rozwoju oprogramowania, w tym pracy wieloetapowej i odzyskiwania poprawnego działania na podstawie informacji zwrotnych z wykonania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy: model zbudowany dla agentów programistycznych
Qwen3-Coder-Next to otwarty model tekstowy zaprojektowany specjalnie dla agentów programistycznych i przepływów rozwoju oprogramowania. Qwen opisuje rozwiązywanie problemów w długim horyzoncie, złożone użycie narzędzi i odzyskiwanie poprawnego działania po błędach wykonania, wraz z dostosowaniem do różnych środowisk wspierających rozwój. Przyjmuje tekst i tworzy tekst, w tym kod, wyjaśnienia i żądania narzędzi. Dokładnie ten checkpoint Coder-Next ma własny kontrakt bez myślenia; nie należy zastępować go edycjami Thinking z szerszej rodziny Next.
W zadaniu programistycznym podaj istotne pliki lub fragmenty, zamierzone zachowanie i wejście pokazujące problem. Poproś o edytowalną zmianę i wyjaśnienie powiązane z tymi warunkami. W zadaniu obejmującym kilka etapów określ cel, dozwolone narzędzia i obserwacje świadczące o zakończeniu. Sprawdź proponowaną zmianę kodu i jej wyjaśnienie względem dostarczonych plików, wejścia wywołującego błąd i kryteriów zakończenia.
Przegląd modelu
Model ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Jego 48-warstwowy układ hybrydowy powtarza trzy warstwy eksperckie Gated DeltaNet, po których następuje jedna warstwa ekspercka uwagi bramkowanej. Producent wymienia 512 ekspertów, dziesięciu aktywowanych ekspertów i jednego współdzielonego eksperta. Mała aktywowana liczba jest cechą obliczeniową modelu rzadkiego, a nie rozmiarem całego checkpointu.
Natywny kontekst wynosi 262 144 tokeny. Przykłady producenta pozwalają na mniejszy kontekst, taki jak 32 768, gdy ograniczenia pamięci uniemożliwiają działanie większej konfiguracji. Kod źródłowy, historia, obserwacje narzędzi i wygenerowany tekst muszą mieścić się w skonfigurowanej puli sekwencji. Karta nie ustanawia domyślnego rozszerzenia do miliona tokenów dla tego checkpointu.
Korzystanie z interfejsu tekstowego bez myślenia
Coder-Next obsługuje tylko tryb bez myślenia i nie generuje jawnych bloków myślenia. Ustawienie enable_thinking=False jest zbędne w przykładzie producenta. Nadal może wyjaśniać poprawkę, omawiać algorytm lub rozumować w zwykłym tekście; brak myślenia opisuje jego tryb wyjścia, a nie zakazuje wyjaśnienia.
Szybki start prosi o algorytm sortowania i wykorzystuje pulę generowania 65 536 tokenów. Ta wartość jest przykładowym budżetem, a nie osobno opublikowanym twardym limitem wyjścia. Określ format i ograniczenia rezultatu: język, istotne interfejsy, wymagane zachowanie i to, czy odpowiedź powinna zawierać poprawkę, kompletną funkcję czy wyjaśnienie. Zachowaj edytowalny wynik oddzielnie od komentarza, aby łatwo było go sprawdzić.
Środowiska wspierające rozwój i kontekst
Producent podkreśla zgodność ze środowiskami agentowymi w stylu CLI i IDE, w tym Qwen Code. Takie środowisko dostarcza stan projektu, definicje narzędzi, obserwacje i format rozmowy. Zachowuj spójność tych wejść podczas zadania wieloetapowego. Gdy narzędzie zgłosi niespełnione sprawdzenie, podaj rzeczywisty błąd i istotny zmieniony kod zamiast jedynie nakazywać modelowi ponowną próbę.
Praca w długim horyzoncie korzysta z widocznego stanu zadania: co zaobserwowano, jaka zmiana jest proponowana i który warunek pozostaje nierozstrzygnięty. Obserwacja narzędzia różni się od twierdzenia w wygenerowanym tekście. Zdolności modelu do odzyskiwania działania po błędach nie należy traktować jako automatycznego pozwolenia na uruchamianie poleceń ani gwarancji, że każde odzyskanie się powiedzie.
Programowanie agentowe i wywołania narzędzi
Qwen dokumentuje definicje narzędzi w stylu funkcji z nazwami, opisami, schematami wejścia i wymaganymi polami. Podaj precyzyjną definicję i oczekiwane znaczenie wartości zwracanej. Aplikacja wykonuje wybrane narzędzie i zwraca jego wynik; model wykorzystuje następnie ten wynik w kolejnym kroku. Samo wywoływanie narzędzi nie daje dostępu do systemu plików, aktualnych źródeł ani środowiska wykonawczego.
Dla agenta edytującego repozytorium ogranicz dozwolone pliki i żądany rezultat. Przydatny raport końcowy może wskazywać objęte zmianą moduły, wyjaśniać zmianę i wymieniać rzeczywiste wyniki zwrócone przez podłączone sprawdzenia. Zachowaj rozróżnienie między proponowanymi poleceniami, wygenerowanym kodem i zakończonymi operacjami. Są to praktyczne przykłady przepływów oparte na udokumentowanym zakresie rozwoju i narzędzi.
Zalecenia generowania
Producent zaleca temperature 1,0, top_p 0,95 i top_k 40. Te dokładne ustawienia różnią się od kilku konwersacyjnych modeli Qwen i powinny pozostać częścią własnej instrukcji użycia Coder-Next. Opublikowana konfiguracja wykorzystuje architekturę przyczynowego modelu językowego Qwen3-Next. Konsekwentnie używaj udokumentowanej nazwy modelu i szablonu rozmowy tego checkpointu w całym przepływie programistycznym.
Istotne ograniczenia
Udokumentowanym wejściem jest tekst, więc zrzuty ekranu, dźwięk lub wideo wymagają odpowiedniej osobnej reprezentacji przed tym przepływem programistycznym. Natywny kontekst i przykładowe pule generowania są skończone; ogranicz niepowiązany kod i zarezerwuj miejsce na żądany rezultat. Sprawdź wygenerowaną składnię, interfejsy, przypadki brzegowe i proponowane zmiany w rzeczywistym przepływie programistycznym. Przydatnym wyjściem jest kod lub wyjaśnienie nadające się do inspekcji, poparte rzeczywistymi dowodami zadania, z zachowaniem wyłącznie tekstowej tożsamości tego checkpointu i trybu bez myślenia.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-coder-next | 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 $0.00024 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0016 / 1K tokenów Wejście · Odczyt cache $0.00014 / 1K tokenów Wejście · Zapis do cache — / 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 $0.00024 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0016 / 1K tokenów Wejście · Odczyt cache $0.00014 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.