Najważniejsze cechy Qwen3-Next: bezpośrednie instrukcje tekstowe
Qwen3-Next-80B-A3B-Instruct to tekstowa edycja Qwen3-Next do wykonywania instrukcji bez myślenia. Przyjmuje tekst i zwraca tekst, w tym wyjaśnienia, propozycje kodu i żądane dokumenty. Nie generuje jawnych bloków myślenia. Zachowaj rozróżnienie między nią a edycją Thinking i wyspecjalizowanym w programowaniu Qwen3-Coder-Next; współdzielenie architektury rodziny nie czyni ich kontraktów odpowiedzi zamiennymi.
Rodzina wprowadza hybrydową uwagę łączącą Gated DeltaNet i uwagę bramkowaną, ekspertów o wysokiej rzadkości, optymalizacje stabilności obejmujące normalizację warstw centrowaną wokół zera i z zanikiem wag oraz przewidywanie wielu tokenów. Zmiany te dotyczą reprezentacji i treningu długich sekwencji. Ich wydajność podczas inferencji zależy od implementacji, więc dane architektury nie powinny stawać się gwarancją stałego opóźnienia lub przepustowości.
Przegląd modelu
Checkpoint ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Ma 48 warstw w powtarzanym wzorcu eksperckim trzech warstw DeltaNet na jedną warstwę uwagi bramkowanej. Producent wymienia 512 ekspertów, dziesięciu aktywowanych ekspertów i jednego współdzielonego eksperta, z treningiem wstępnym na 15 bilionach tokenów, po którym następuje dotrenowanie. Aktywowane parametry nie oznaczają rozmiaru całego checkpointu.
Natywny kontekst wynosi 262 144 tokeny, z udokumentowanym rozszerzeniem do 1 010 000. Przykłady wdrożenia producenta pozwalają na mniejszy kontekst, taki jak 32 768, gdy ograniczenia zasobów uniemożliwiają działanie większego ustawienia. Tekst, historia rozmowy, obserwacje narzędzi i wygenerowana treść dzielą skonfigurowaną pulę sekwencji. Rozszerzenie jest dodatkową ścieżką konfiguracji, a nie domyślnym nieograniczonym wejściem.
Korzystanie z interfejsu instrukcyjnego
Ten model obsługuje tylko tryb instrukcyjny bez myślenia. Może wyjaśniać algorytm, pokazywać obliczenia lub uzasadniać wniosek zwykłym tekstem bez tworzenia dedykowanego bloku myślenia. Poproś o format i granice rezultatu: kompletną funkcję, zwięzły raport, tabelę dowodów lub odpowiedź z uzasadniającymi krokami. Prośba o długie wyjaśnienie nie zmienia go w osobno nazwany checkpoint Thinking.
W zadaniu dotyczącym dokumentu zachowaj identyfikatory sekcji i określ pytania, na które raport musi odpowiedzieć. Dla kodu podaj odpowiednią funkcję lub moduł, ograniczenia wejścia i oczekiwane wyjście. Dla matematyki podaj pełną treść i poproś o wydzielony wynik końcowy. Porównaj zwrócone obliczenia, kod lub wyjaśnienie z dostarczonymi warunkami i rzeczywistymi wynikami.
Implementacja i narzędzia
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Podłączony przepływ może zapewniać wyszukiwanie, inspekcję lub dozwolone wykonanie i zwracać rzeczywiste obserwacje. Określ narzędzia, dozwolone działania i widoczne warunki zakończenia, a następnie poproś, aby raport końcowy rozróżniał propozycje od rzeczywistych zwróconych wyników.
Przewidywanie wielu tokenów jest częścią treningu, ale jego użycie w inferencji zależy od implementacji i nie jest ogólnie dostępne w każdym lekkim przepływie. Szablon lub cecha architektury sama w sobie nie ustanawia dostępu do aktualnych źródeł, plików lub środowiska kodu. Zachowaj dokładny model i format rozmowy używany przez wybrany interfejs.
Bardzo długi tekst
Producent potwierdza kontekst około miliona tokenów z YaRN i podaje instrukcję ze współczynnikiem cztery opartą na 262 144 natywnych pozycjach. Dla zadań obejmujących 524 288 tokenów sugeruje współczynnik dwa. Statyczne skalowanie może obniżać wydajność przy krótszym tekście, więc konfiguracja powinna wynikać z rzeczywistej potrzeby dłuższego wejścia.
Utrzymuj długi materiał uporządkowany według dokumentu, ścieżki kodu lub sekcji i usuwaj niepowiązane powtórzenia. Poproś, aby odpowiedź wskazywała wspierające ją fragmenty lub warunki. Rezerwuj przestrzeń na odpowiedź zamiast traktować największą liczbę kontekstu jako pełne pamiętanie każdego dostarczonego szczegółu. Opublikowana wielkość rozszerzenia 1 010 000 i walidacja około miliona pozostają ograniczone do przepływu długiego kontekstu producenta.
Wskazówki generowania
Dobre praktyki zalecają temperature 0,7, top_p 0,8, top_k 20 i min_p 0. Tam, gdzie jest to obsługiwane, presence penalty między zerem a dwoma może ograniczyć powtarzany tekst, ale wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Producent zaleca pulę wyjścia 16 384 tokenów dla większości zapytań. Jest to zalecany budżet generowania, a nie niezależne twarde maksimum; nie powinien dziedziczyć dłuższych pul z edycji Thinking.
Wyraźnie określ formę wyniku, taką jak matematyczny znacznik ograniczający lub pole odpowiedzi. Zachowaj końcowy rezultat łatwy do sprawdzenia i weryfikuj jego obliczenia, cytaty lub kod względem źródła. Ta wyłącznie tekstowa edycja nie przyjmuje obrazów, dźwięku lub wideo jako własnego wejścia, więc materiały te potrzebują odpowiedniej osobnej reprezentacji, zanim mogą wspierać zadanie.
Praktyczny wynik
Przydatnym wyjściem jest konkretny rezultat tekstowy oparty na dostarczonych warunkach: wyjaśnienie dokumentu, propozycja kodu lub bezpośrednia odpowiedź z wymaganymi szczegółami uzasadnienia. Długi kontekst i wywoływanie narzędzi mogą pomagać przenosić więcej dowodów przez przepływ pracy, a kontrakt bez myślenia utrzymuje jasny styl wyjścia tej dokładnej edycji. Sprawdź wynik w rzeczywistym środowisku zadania zamiast wnioskować o poprawności z jego długości lub pewnego brzmienia.
", "aboutText": "Najważniejsze cechy Qwen3-Next: bezpośrednie instrukcje tekstowe\n\nQwen3-Next-80B-A3B-Instruct to tekstowa edycja Qwen3-Next do wykonywania instrukcji bez myślenia. Przyjmuje tekst i zwraca tekst, w tym wyjaśnienia, propozycje kodu i żądane dokumenty. Nie generuje jawnych bloków myślenia. Zachowaj rozróżnienie między nią a edycją Thinking i wyspecjalizowanym w programowaniu Qwen3-Coder-Next; współdzielenie architektury rodziny nie czyni ich kontraktów odpowiedzi zamiennymi.\n\nRodzina wprowadza hybrydową uwagę łączącą Gated DeltaNet i uwagę bramkowaną, ekspertów o wysokiej rzadkości, optymalizacje stabilności obejmujące normalizację warstw centrowaną wokół zera i z zanikiem wag oraz przewidywanie wielu tokenów. Zmiany te dotyczą reprezentacji i treningu długich sekwencji. Ich wydajność podczas inferencji zależy od implementacji, więc dane architektury nie powinny stawać się gwarancją stałego opóźnienia lub przepustowości.\n\nPrzegląd modelu\n\nCheckpoint ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Ma 48 warstw w powtarzanym wzorcu eksperckim trzech warstw DeltaNet na jedną warstwę uwagi bramkowanej. Producent wymienia 512 ekspertów, dziesięciu aktywowanych ekspertów i jednego współdzielonego eksperta, z treningiem wstępnym na 15 bilionach tokenów, po którym następuje dotrenowanie. Aktywowane parametry nie oznaczają rozmiaru całego checkpointu.\n\nNatywny kontekst wynosi 262 144 tokeny, z udokumentowanym rozszerzeniem do 1 010 000. Przykłady wdrożenia producenta pozwalają na mniejszy kontekst, taki jak 32 768, gdy ograniczenia zasobów uniemożliwiają działanie większego ustawienia. Tekst, historia rozmowy, obserwacje narzędzi i wygenerowana treść dzielą skonfigurowaną pulę sekwencji. Rozszerzenie jest dodatkową ścieżką konfiguracji, a nie domyślnym nieograniczonym wejściem.\n\nKorzystanie z interfejsu instrukcyjnego\n\nTen model obsługuje tylko tryb instrukcyjny bez myślenia. Może wyjaśniać algorytm, pokazywać obliczenia lub uzasadniać wniosek zwykłym tekstem bez tworzenia dedykowanego bloku myślenia. Poproś o format i granice rezultatu: kompletną funkcję, zwięzły raport, tabelę dowodów lub odpowiedź z uzasadniającymi krokami. Prośba o długie wyjaśnienie nie zmienia go w osobno nazwany checkpoint Thinking.\n\nW zadaniu dotyczącym dokumentu zachowaj identyfikatory sekcji i określ pytania, na które raport musi odpowiedzieć. Dla kodu podaj odpowiednią funkcję lub moduł, ograniczenia wejścia i oczekiwane wyjście. Dla matematyki podaj pełną treść i poproś o wydzielony wynik końcowy. Porównaj zwrócone obliczenia, kod lub wyjaśnienie z dostarczonymi warunkami i rzeczywistymi wynikami.\n\nImplementacja i narzędzia\n\nProducent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Podłączony przepływ może zapewniać wyszukiwanie, inspekcję lub dozwolone wykonanie i zwracać rzeczywiste obserwacje. Określ narzędzia, dozwolone działania i widoczne warunki zakończenia, a następnie poproś, aby raport końcowy rozróżniał propozycje od rzeczywistych zwróconych wyników.\n\nPrzewidywanie wielu tokenów jest częścią treningu, ale jego użycie w inferencji zależy od implementacji i nie jest ogólnie dostępne w każdym lekkim przepływie. Szablon lub cecha architektury sama w sobie nie ustanawia dostępu do aktualnych źródeł, plików lub środowiska kodu. Zachowaj dokładny model i format rozmowy używany przez wybrany interfejs.\n\nBardzo długi tekst\n\nProducent potwierdza kontekst około miliona tokenów z YaRN i podaje instrukcję ze współczynnikiem cztery opartą na 262 144 natywnych pozycjach. Dla zadań obejmujących 524 288 tokenów sugeruje współczynnik dwa. Statyczne skalowanie może obniżać wydajność przy krótszym tekście, więc konfiguracja powinna wynikać z rzeczywistej potrzeby dłuższego wejścia.\n\nUtrzymuj długi materiał uporządkowany według dokumentu, ścieżki kodu lub sekcji i usuwaj niepowiązane powtórzenia. Poproś, aby odpowiedź wskazywała wspierające ją fragmenty lub warunki. Rezerwuj przestrzeń na odpowiedź zamiast traktować największą liczbę kontekstu jako pełne pamiętanie każdego dostarczonego szczegółu. Opublikowana wielkość rozszerzenia 1 010 000 i walidacja około miliona pozostają ograniczone do przepływu długiego kontekstu producenta.\n\nWskazówki generowania\n\nDobre praktyki zalecają temperature 0,7, top_p 0,8, top_k 20 i min_p 0. Tam, gdzie jest to obsługiwane, presence penalty między zerem a dwoma może ograniczyć powtarzany tekst, ale wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Producent zaleca pulę wyjścia 16 384 tokenów dla większości zapytań. Jest to zalecany budżet generowania, a nie niezależne twarde maksimum; nie powinien dziedziczyć dłuższych pul z edycji Thinking.\n\nWyraźnie określ formę wyniku, taką jak matematyczny znacznik ograniczający lub pole odpowiedzi. Zachowaj końcowy rezultat łatwy do sprawdzenia i weryfikuj jego obliczenia, cytaty lub kod względem źródła. Ta wyłącznie tekstowa edycja nie przyjmuje obrazów, dźwięku lub wideo jako własnego wejścia, więc materiały te potrzebują odpowiedniej osobnej reprezentacji, zanim mogą wspierać zadanie.\n\nPraktyczny wynik\n\nPrzydatnym wyjściem jest konkretny rezultat tekstowy oparty na dostarczonych warunkach: wyjaśnienie dokumentu, propozycja kodu lub bezpośrednia odpowiedź z wymaganymi szczegółami uzasadnienia. Długi kontekst i wywoływanie narzędzi mogą pomagać przenosić więcej dowodów przez przepływ pracy, a kontrakt bez myślenia utrzymuje jasny styl wyjścia tej dokładnej edycji. Sprawdź wynik w rzeczywistym środowisku zadania zamiast wnioskować o poprawności z jego długości lub pewnego brzmienia.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct to tekstowa edycja Qwen bez myślenia, z 80 miliardami parametrów łącznie i 3 miliardami aktywowanymi. Łączy hybrydową uwagę, rzadkich ekspertów i wywoływanie narzędzi z natywnym kontekstem 262 144 tokenów, rozszerzalnym do 1 010 000 przez konfigurację.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3-Next: bezpośrednie instrukcje tekstowe
Qwen3-Next-80B-A3B-Instruct to tekstowa edycja Qwen3-Next do wykonywania instrukcji bez myślenia. Przyjmuje tekst i zwraca tekst, w tym wyjaśnienia, propozycje kodu i żądane dokumenty. Nie generuje jawnych bloków myślenia. Zachowaj rozróżnienie między nią a edycją Thinking i wyspecjalizowanym w programowaniu Qwen3-Coder-Next; współdzielenie architektury rodziny nie czyni ich kontraktów odpowiedzi zamiennymi.
Rodzina wprowadza hybrydową uwagę łączącą Gated DeltaNet i uwagę bramkowaną, ekspertów o wysokiej rzadkości, optymalizacje stabilności obejmujące normalizację warstw centrowaną wokół zera i z zanikiem wag oraz przewidywanie wielu tokenów. Zmiany te dotyczą reprezentacji i treningu długich sekwencji. Ich wydajność podczas inferencji zależy od implementacji, więc dane architektury nie powinny stawać się gwarancją stałego opóźnienia lub przepustowości.
Przegląd modelu
Checkpoint ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Ma 48 warstw w powtarzanym wzorcu eksperckim trzech warstw DeltaNet na jedną warstwę uwagi bramkowanej. Producent wymienia 512 ekspertów, dziesięciu aktywowanych ekspertów i jednego współdzielonego eksperta, z treningiem wstępnym na 15 bilionach tokenów, po którym następuje dotrenowanie. Aktywowane parametry nie oznaczają rozmiaru całego checkpointu.
Natywny kontekst wynosi 262 144 tokeny, z udokumentowanym rozszerzeniem do 1 010 000. Przykłady wdrożenia producenta pozwalają na mniejszy kontekst, taki jak 32 768, gdy ograniczenia zasobów uniemożliwiają działanie większego ustawienia. Tekst, historia rozmowy, obserwacje narzędzi i wygenerowana treść dzielą skonfigurowaną pulę sekwencji. Rozszerzenie jest dodatkową ścieżką konfiguracji, a nie domyślnym nieograniczonym wejściem.
Korzystanie z interfejsu instrukcyjnego
Ten model obsługuje tylko tryb instrukcyjny bez myślenia. Może wyjaśniać algorytm, pokazywać obliczenia lub uzasadniać wniosek zwykłym tekstem bez tworzenia dedykowanego bloku myślenia. Poproś o format i granice rezultatu: kompletną funkcję, zwięzły raport, tabelę dowodów lub odpowiedź z uzasadniającymi krokami. Prośba o długie wyjaśnienie nie zmienia go w osobno nazwany checkpoint Thinking.
W zadaniu dotyczącym dokumentu zachowaj identyfikatory sekcji i określ pytania, na które raport musi odpowiedzieć. Dla kodu podaj odpowiednią funkcję lub moduł, ograniczenia wejścia i oczekiwane wyjście. Dla matematyki podaj pełną treść i poproś o wydzielony wynik końcowy. Porównaj zwrócone obliczenia, kod lub wyjaśnienie z dostarczonymi warunkami i rzeczywistymi wynikami.
Implementacja i narzędzia
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Podłączony przepływ może zapewniać wyszukiwanie, inspekcję lub dozwolone wykonanie i zwracać rzeczywiste obserwacje. Określ narzędzia, dozwolone działania i widoczne warunki zakończenia, a następnie poproś, aby raport końcowy rozróżniał propozycje od rzeczywistych zwróconych wyników.
Przewidywanie wielu tokenów jest częścią treningu, ale jego użycie w inferencji zależy od implementacji i nie jest ogólnie dostępne w każdym lekkim przepływie. Szablon lub cecha architektury sama w sobie nie ustanawia dostępu do aktualnych źródeł, plików lub środowiska kodu. Zachowaj dokładny model i format rozmowy używany przez wybrany interfejs.
Bardzo długi tekst
Producent potwierdza kontekst około miliona tokenów z YaRN i podaje instrukcję ze współczynnikiem cztery opartą na 262 144 natywnych pozycjach. Dla zadań obejmujących 524 288 tokenów sugeruje współczynnik dwa. Statyczne skalowanie może obniżać wydajność przy krótszym tekście, więc konfiguracja powinna wynikać z rzeczywistej potrzeby dłuższego wejścia.
Utrzymuj długi materiał uporządkowany według dokumentu, ścieżki kodu lub sekcji i usuwaj niepowiązane powtórzenia. Poproś, aby odpowiedź wskazywała wspierające ją fragmenty lub warunki. Rezerwuj przestrzeń na odpowiedź zamiast traktować największą liczbę kontekstu jako pełne pamiętanie każdego dostarczonego szczegółu. Opublikowana wielkość rozszerzenia 1 010 000 i walidacja około miliona pozostają ograniczone do przepływu długiego kontekstu producenta.
Wskazówki generowania
Dobre praktyki zalecają temperature 0,7, top_p 0,8, top_k 20 i min_p 0. Tam, gdzie jest to obsługiwane, presence penalty między zerem a dwoma może ograniczyć powtarzany tekst, ale wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Producent zaleca pulę wyjścia 16 384 tokenów dla większości zapytań. Jest to zalecany budżet generowania, a nie niezależne twarde maksimum; nie powinien dziedziczyć dłuższych pul z edycji Thinking.
Wyraźnie określ formę wyniku, taką jak matematyczny znacznik ograniczający lub pole odpowiedzi. Zachowaj końcowy rezultat łatwy do sprawdzenia i weryfikuj jego obliczenia, cytaty lub kod względem źródła. Ta wyłącznie tekstowa edycja nie przyjmuje obrazów, dźwięku lub wideo jako własnego wejścia, więc materiały te potrzebują odpowiedniej osobnej reprezentacji, zanim mogą wspierać zadanie.
Praktyczny wynik
Przydatnym wyjściem jest konkretny rezultat tekstowy oparty na dostarczonych warunkach: wyjaśnienie dokumentu, propozycja kodu lub bezpośrednia odpowiedź z wymaganymi szczegółami uzasadnienia. Długi kontekst i wywoływanie narzędzi mogą pomagać przenosić więcej dowodów przez przepływ pracy, a kontrakt bez myślenia utrzymuje jasny styl wyjścia tej dokładnej edycji. Sprawdź wynik w rzeczywistym środowisku zadania zamiast wnioskować o poprawności z jego długości lub pewnego brzmienia.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0022 / 1K tokenów Wejście · Odczyt cache $0.00014 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.000286 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0022 / 1K tokenów Wejście · Odczyt cache $0.00014 / 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-next-80b-a3b-instruct", "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-next-80b-a3b-instruct',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-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Użyj ścieżek metod podanych powyżej.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct to tekstowa edycja Qwen bez myślenia, z 80 miliardami parametrów łącznie i 3 miliardami aktywowanymi. Łączy hybrydową uwagę, rzadkich ekspertów i wywoływanie narzędzi z natywnym kontekstem 262 144 tokenów, rozszerzalnym do 1 010 000 przez konfigurację.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3-Next: bezpośrednie instrukcje tekstowe
Qwen3-Next-80B-A3B-Instruct to tekstowa edycja Qwen3-Next do wykonywania instrukcji bez myślenia. Przyjmuje tekst i zwraca tekst, w tym wyjaśnienia, propozycje kodu i żądane dokumenty. Nie generuje jawnych bloków myślenia. Zachowaj rozróżnienie między nią a edycją Thinking i wyspecjalizowanym w programowaniu Qwen3-Coder-Next; współdzielenie architektury rodziny nie czyni ich kontraktów odpowiedzi zamiennymi.
Rodzina wprowadza hybrydową uwagę łączącą Gated DeltaNet i uwagę bramkowaną, ekspertów o wysokiej rzadkości, optymalizacje stabilności obejmujące normalizację warstw centrowaną wokół zera i z zanikiem wag oraz przewidywanie wielu tokenów. Zmiany te dotyczą reprezentacji i treningu długich sekwencji. Ich wydajność podczas inferencji zależy od implementacji, więc dane architektury nie powinny stawać się gwarancją stałego opóźnienia lub przepustowości.
Przegląd modelu
Checkpoint ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Ma 48 warstw w powtarzanym wzorcu eksperckim trzech warstw DeltaNet na jedną warstwę uwagi bramkowanej. Producent wymienia 512 ekspertów, dziesięciu aktywowanych ekspertów i jednego współdzielonego eksperta, z treningiem wstępnym na 15 bilionach tokenów, po którym następuje dotrenowanie. Aktywowane parametry nie oznaczają rozmiaru całego checkpointu.
Natywny kontekst wynosi 262 144 tokeny, z udokumentowanym rozszerzeniem do 1 010 000. Przykłady wdrożenia producenta pozwalają na mniejszy kontekst, taki jak 32 768, gdy ograniczenia zasobów uniemożliwiają działanie większego ustawienia. Tekst, historia rozmowy, obserwacje narzędzi i wygenerowana treść dzielą skonfigurowaną pulę sekwencji. Rozszerzenie jest dodatkową ścieżką konfiguracji, a nie domyślnym nieograniczonym wejściem.
Korzystanie z interfejsu instrukcyjnego
Ten model obsługuje tylko tryb instrukcyjny bez myślenia. Może wyjaśniać algorytm, pokazywać obliczenia lub uzasadniać wniosek zwykłym tekstem bez tworzenia dedykowanego bloku myślenia. Poproś o format i granice rezultatu: kompletną funkcję, zwięzły raport, tabelę dowodów lub odpowiedź z uzasadniającymi krokami. Prośba o długie wyjaśnienie nie zmienia go w osobno nazwany checkpoint Thinking.
W zadaniu dotyczącym dokumentu zachowaj identyfikatory sekcji i określ pytania, na które raport musi odpowiedzieć. Dla kodu podaj odpowiednią funkcję lub moduł, ograniczenia wejścia i oczekiwane wyjście. Dla matematyki podaj pełną treść i poproś o wydzielony wynik końcowy. Porównaj zwrócone obliczenia, kod lub wyjaśnienie z dostarczonymi warunkami i rzeczywistymi wynikami.
Implementacja i narzędzia
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do szablonów i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Podłączony przepływ może zapewniać wyszukiwanie, inspekcję lub dozwolone wykonanie i zwracać rzeczywiste obserwacje. Określ narzędzia, dozwolone działania i widoczne warunki zakończenia, a następnie poproś, aby raport końcowy rozróżniał propozycje od rzeczywistych zwróconych wyników.
Przewidywanie wielu tokenów jest częścią treningu, ale jego użycie w inferencji zależy od implementacji i nie jest ogólnie dostępne w każdym lekkim przepływie. Szablon lub cecha architektury sama w sobie nie ustanawia dostępu do aktualnych źródeł, plików lub środowiska kodu. Zachowaj dokładny model i format rozmowy używany przez wybrany interfejs.
Bardzo długi tekst
Producent potwierdza kontekst około miliona tokenów z YaRN i podaje instrukcję ze współczynnikiem cztery opartą na 262 144 natywnych pozycjach. Dla zadań obejmujących 524 288 tokenów sugeruje współczynnik dwa. Statyczne skalowanie może obniżać wydajność przy krótszym tekście, więc konfiguracja powinna wynikać z rzeczywistej potrzeby dłuższego wejścia.
Utrzymuj długi materiał uporządkowany według dokumentu, ścieżki kodu lub sekcji i usuwaj niepowiązane powtórzenia. Poproś, aby odpowiedź wskazywała wspierające ją fragmenty lub warunki. Rezerwuj przestrzeń na odpowiedź zamiast traktować największą liczbę kontekstu jako pełne pamiętanie każdego dostarczonego szczegółu. Opublikowana wielkość rozszerzenia 1 010 000 i walidacja około miliona pozostają ograniczone do przepływu długiego kontekstu producenta.
Wskazówki generowania
Dobre praktyki zalecają temperature 0,7, top_p 0,8, top_k 20 i min_p 0. Tam, gdzie jest to obsługiwane, presence penalty między zerem a dwoma może ograniczyć powtarzany tekst, ale wyższe wartości mogą mieszać języki lub nieznacznie obniżać jakość. Producent zaleca pulę wyjścia 16 384 tokenów dla większości zapytań. Jest to zalecany budżet generowania, a nie niezależne twarde maksimum; nie powinien dziedziczyć dłuższych pul z edycji Thinking.
Wyraźnie określ formę wyniku, taką jak matematyczny znacznik ograniczający lub pole odpowiedzi. Zachowaj końcowy rezultat łatwy do sprawdzenia i weryfikuj jego obliczenia, cytaty lub kod względem źródła. Ta wyłącznie tekstowa edycja nie przyjmuje obrazów, dźwięku lub wideo jako własnego wejścia, więc materiały te potrzebują odpowiedniej osobnej reprezentacji, zanim mogą wspierać zadanie.
Praktyczny wynik
Przydatnym wyjściem jest konkretny rezultat tekstowy oparty na dostarczonych warunkach: wyjaśnienie dokumentu, propozycja kodu lub bezpośrednia odpowiedź z wymaganymi szczegółami uzasadnienia. Długi kontekst i wywoływanie narzędzi mogą pomagać przenosić więcej dowodów przez przepływ pracy, a kontrakt bez myślenia utrzymuje jasny styl wyjścia tej dokładnej edycji. Sprawdź wynik w rzeczywistym środowisku zadania zamiast wnioskować o poprawności z jego długości lub pewnego brzmienia.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0022 / 1K tokenów Wejście · Odczyt cache $0.00014 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.000286 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0022 / 1K tokenów Wejście · Odczyt cache $0.00014 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.