Najważniejsze cechy Qwen3-Next: złożone rozumowanie tekstowe
Qwen3-Next-80B-A3B-Thinking to tekstowa edycja Qwen3-Next wyłącznie z myśleniem. Producent zaleca ją do bardzo złożonych zadań rozumowania i zauważa, że jej myślenie może być dłuższe niż we wcześniejszych modelach. Przyjmuje tekst i zwraca tekst, w tym wyjaśnioną odpowiedź lub propozycję kodu. Zachowaj rozróżnienie między nią a Qwen3-Next-80B-A3B-Instruct i Qwen3-Coder-Next, których kontrakty bez myślenia są inne.
Rodzina wprowadza hybrydową uwagę łączącą Gated DeltaNet i uwagę bramkowaną, ekspertów o wysokiej rzadkości, techniki stabilności takie jak normalizacja warstw centrowana wokół zera i z zanikiem wag oraz przewidywanie wielu tokenów. Qwen opisuje również stabilizację uczenia ze wzmocnieniem przez GSPO. Są to cechy treningu i architektury; wzrost wydajności zależy od implementacji i nie powinien stawać się uniwersalnym twierdzeniem o czasie odpowiedzi.
Przegląd modelu
Model ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Ma 48 warstw we 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. Tekst źródłowy, historyczne wiadomości, obserwacje narzędzi, rozumowanie i końcowe wyjście dzielą skonfigurowaną pulę sekwencji. Dla złożonego myślenia producent zaleca skonfigurowany kontekst większy niż 131 072 tam, gdzie to możliwe, nawet jeśli mniejsze okno ograniczyłoby obciążenie pamięci.
Korzystanie z interfejsu wyłącznie z myśleniem
Domyślny szablon rozmowy zawiera już otwierający znacznik myślenia. Zwrócona sekwencja może więc zawierać znacznik zamykający bez powtarzania otwierającego. Jest to normalne formatowanie instrukcji użycia producenta, a nie dowód braku rozumowania. Model obsługuje tylko tryb myślenia; prośba o zwięzłą końcową odpowiedź nie zmienia go w edycję bez myślenia.
W problemie matematycznym lub logicznym podaj pełną treść, definicje, jednostki i dozwolone założenia. Poproś o wyraźnie wydzieloną końcową odpowiedź z uzasadniającymi krokami potrzebnymi do jej sprawdzenia. Dla rozumowania nad kodem podaj odpowiednią funkcję, wejście i zamierzone zachowanie, a następnie poproś o wyjaśnioną propozycję. Porównaj wspierające obliczenia lub proponowaną poprawkę z dostarczonymi warunkami i rzeczywistymi wynikami.
Implementacja i narzędzia
Przykłady producenta obsługują przepływy rozwoju oprogramowania i narzędzi oraz zalecają Qwen-Agent do szablonów narzędzi i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Określ dozwolone narzędzia, cel zadania i obserwowalny warunek zakończenia. Aplikacja wykonuje działania zewnętrzne i zwraca rzeczywiste obserwacje; model może następnie wykorzystać te informacje zwrotne w kolejnej odpowiedzi.
Przewidywanie wielu tokenów jest częścią treningu, ale jego użycie w inferencji zależy od implementacji i nie jest ogólnie dostępne w każdym lekkim przepływie. Zachowaj to rozróżnienie przy ocenie wdrożenia. Sama możliwość narzędziowa lub cecha architektury nie ustanawia dostępu do plików, aktualnych źródeł lub środowiska wykonawczego przez inną aplikację.
Bardzo długi tekst
Udokumentowane rozszerzenie wykorzystuje YaRN. Producent potwierdza kontekst około miliona tokenów i podaje instrukcję ze współczynnikiem cztery opartą na natywnych 262 144 pozycjach; dla zadań obejmujących 524 288 tokenów sugeruje współczynnik dwa. Statyczne skalowanie może wpływać na działanie przy krótszym tekście, więc powinno wynikać z rzeczywistej potrzeby dłuższego wejścia.
Zorganizuj duże wejście z granicami dokumentów i identyfikatorami kodu lub sekcji. Określ pytanie i oczekiwany rezultat, aby model mógł łączyć istotne dowody zamiast traktować pełne okno jako zastępstwo jasnego zadania. Zarezerwuj miejsce na potencjalnie długie rozumowanie i końcowy wynik.
Wskazówki generowania
Dobre praktyki zalecają temperature 0,6, top_p 0,95, 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. Qwen zaleca pulę generowania 32 768 tokenów dla większości pytań i 81 920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie niezależne twarde limity wyjścia.
Wyraźnie określ format końcowej odpowiedzi, taki jak wydzielony wynik matematyczny lub pole odpowiedzi. Producent zaleca zachowywanie końcowych wyników bez treści myślenia w historycznych wiadomościach asystenta, zgodnie z szablonem tego checkpointu. Opcji zachowywania historycznego rozumowania z późniejszych modeli nie należy przenosić automatycznie.
Istotne ograniczenia
Jest to model wyłącznie tekstowy. Obrazy, dźwięk lub wideo wymagają odpowiedniej osobnej reprezentacji, zanim mogą służyć jako dowody w tym przepływie. Długie myślenie i kontekst są skończonymi zasobami, a szczegółowe rozumowanie samo w sobie nie dowodzi poprawnego wyniku. Sprawdź założenia, obliczenia i wygenerowany kod względem dostarczonego źródła. Przydatnym rezultatem jest odpowiedź lub materiał nadający się do przeglądu, którego dowody pozostają widoczne i którego tożsamość wyłącznie z myśleniem jest zachowana.
", "aboutText": "Najważniejsze cechy Qwen3-Next: złożone rozumowanie tekstowe\n\nQwen3-Next-80B-A3B-Thinking to tekstowa edycja Qwen3-Next wyłącznie z myśleniem. Producent zaleca ją do bardzo złożonych zadań rozumowania i zauważa, że jej myślenie może być dłuższe niż we wcześniejszych modelach. Przyjmuje tekst i zwraca tekst, w tym wyjaśnioną odpowiedź lub propozycję kodu. Zachowaj rozróżnienie między nią a Qwen3-Next-80B-A3B-Instruct i Qwen3-Coder-Next, których kontrakty bez myślenia są inne.\n\nRodzina wprowadza hybrydową uwagę łączącą Gated DeltaNet i uwagę bramkowaną, ekspertów o wysokiej rzadkości, techniki stabilności takie jak normalizacja warstw centrowana wokół zera i z zanikiem wag oraz przewidywanie wielu tokenów. Qwen opisuje również stabilizację uczenia ze wzmocnieniem przez GSPO. Są to cechy treningu i architektury; wzrost wydajności zależy od implementacji i nie powinien stawać się uniwersalnym twierdzeniem o czasie odpowiedzi.\n\nPrzegląd modelu\n\nModel ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Ma 48 warstw we 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. Tekst źródłowy, historyczne wiadomości, obserwacje narzędzi, rozumowanie i końcowe wyjście dzielą skonfigurowaną pulę sekwencji. Dla złożonego myślenia producent zaleca skonfigurowany kontekst większy niż 131 072 tam, gdzie to możliwe, nawet jeśli mniejsze okno ograniczyłoby obciążenie pamięci.\n\nKorzystanie z interfejsu wyłącznie z myśleniem\n\nDomyślny szablon rozmowy zawiera już otwierający znacznik myślenia. Zwrócona sekwencja może więc zawierać znacznik zamykający bez powtarzania otwierającego. Jest to normalne formatowanie instrukcji użycia producenta, a nie dowód braku rozumowania. Model obsługuje tylko tryb myślenia; prośba o zwięzłą końcową odpowiedź nie zmienia go w edycję bez myślenia.\n\nW problemie matematycznym lub logicznym podaj pełną treść, definicje, jednostki i dozwolone założenia. Poproś o wyraźnie wydzieloną końcową odpowiedź z uzasadniającymi krokami potrzebnymi do jej sprawdzenia. Dla rozumowania nad kodem podaj odpowiednią funkcję, wejście i zamierzone zachowanie, a następnie poproś o wyjaśnioną propozycję. Porównaj wspierające obliczenia lub proponowaną poprawkę z dostarczonymi warunkami i rzeczywistymi wynikami.\n\nImplementacja i narzędzia\n\nPrzykłady producenta obsługują przepływy rozwoju oprogramowania i narzędzi oraz zalecają Qwen-Agent do szablonów narzędzi i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Określ dozwolone narzędzia, cel zadania i obserwowalny warunek zakończenia. Aplikacja wykonuje działania zewnętrzne i zwraca rzeczywiste obserwacje; model może następnie wykorzystać te informacje zwrotne w kolejnej odpowiedzi.\n\nPrzewidywanie wielu tokenów jest częścią treningu, ale jego użycie w inferencji zależy od implementacji i nie jest ogólnie dostępne w każdym lekkim przepływie. Zachowaj to rozróżnienie przy ocenie wdrożenia. Sama możliwość narzędziowa lub cecha architektury nie ustanawia dostępu do plików, aktualnych źródeł lub środowiska wykonawczego przez inną aplikację.\n\nBardzo długi tekst\n\nUdokumentowane rozszerzenie wykorzystuje YaRN. Producent potwierdza kontekst około miliona tokenów i podaje instrukcję ze współczynnikiem cztery opartą na natywnych 262 144 pozycjach; dla zadań obejmujących 524 288 tokenów sugeruje współczynnik dwa. Statyczne skalowanie może wpływać na działanie przy krótszym tekście, więc powinno wynikać z rzeczywistej potrzeby dłuższego wejścia.\n\nZorganizuj duże wejście z granicami dokumentów i identyfikatorami kodu lub sekcji. Określ pytanie i oczekiwany rezultat, aby model mógł łączyć istotne dowody zamiast traktować pełne okno jako zastępstwo jasnego zadania. Zarezerwuj miejsce na potencjalnie długie rozumowanie i końcowy wynik.\n\nWskazówki generowania\n\nDobre praktyki zalecają temperature 0,6, top_p 0,95, 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. Qwen zaleca pulę generowania 32 768 tokenów dla większości pytań i 81 920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie niezależne twarde limity wyjścia.\n\nWyraźnie określ format końcowej odpowiedzi, taki jak wydzielony wynik matematyczny lub pole odpowiedzi. Producent zaleca zachowywanie końcowych wyników bez treści myślenia w historycznych wiadomościach asystenta, zgodnie z szablonem tego checkpointu. Opcji zachowywania historycznego rozumowania z późniejszych modeli nie należy przenosić automatycznie.\n\nIstotne ograniczenia\n\nJest to model wyłącznie tekstowy. Obrazy, dźwięk lub wideo wymagają odpowiedniej osobnej reprezentacji, zanim mogą służyć jako dowody w tym przepływie. Długie myślenie i kontekst są skończonymi zasobami, a szczegółowe rozumowanie samo w sobie nie dowodzi poprawnego wyniku. Sprawdź założenia, obliczenia i wygenerowany kod względem dostarczonego źródła. Przydatnym rezultatem jest odpowiedź lub materiał nadający się do przeglądu, którego dowody pozostają widoczne i którego tożsamość wyłącznie z myśleniem jest zachowana.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking to tekstowy model rozumowania Qwen z 80 miliardami parametrów łącznie i 3 miliardami aktywowanymi. Używa wyłącznie myślenia, hybrydowej uwagi i rzadkich ekspertów do złożonych zadań, z natywnym kontekstem 262 144 tokenów i warunkowym rozszerzeniem do 1 010 000.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3-Next: złożone rozumowanie tekstowe
Qwen3-Next-80B-A3B-Thinking to tekstowa edycja Qwen3-Next wyłącznie z myśleniem. Producent zaleca ją do bardzo złożonych zadań rozumowania i zauważa, że jej myślenie może być dłuższe niż we wcześniejszych modelach. Przyjmuje tekst i zwraca tekst, w tym wyjaśnioną odpowiedź lub propozycję kodu. Zachowaj rozróżnienie między nią a Qwen3-Next-80B-A3B-Instruct i Qwen3-Coder-Next, których kontrakty bez myślenia są inne.
Rodzina wprowadza hybrydową uwagę łączącą Gated DeltaNet i uwagę bramkowaną, ekspertów o wysokiej rzadkości, techniki stabilności takie jak normalizacja warstw centrowana wokół zera i z zanikiem wag oraz przewidywanie wielu tokenów. Qwen opisuje również stabilizację uczenia ze wzmocnieniem przez GSPO. Są to cechy treningu i architektury; wzrost wydajności zależy od implementacji i nie powinien stawać się uniwersalnym twierdzeniem o czasie odpowiedzi.
Przegląd modelu
Model ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Ma 48 warstw we 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. Tekst źródłowy, historyczne wiadomości, obserwacje narzędzi, rozumowanie i końcowe wyjście dzielą skonfigurowaną pulę sekwencji. Dla złożonego myślenia producent zaleca skonfigurowany kontekst większy niż 131 072 tam, gdzie to możliwe, nawet jeśli mniejsze okno ograniczyłoby obciążenie pamięci.
Korzystanie z interfejsu wyłącznie z myśleniem
Domyślny szablon rozmowy zawiera już otwierający znacznik myślenia. Zwrócona sekwencja może więc zawierać znacznik zamykający bez powtarzania otwierającego. Jest to normalne formatowanie instrukcji użycia producenta, a nie dowód braku rozumowania. Model obsługuje tylko tryb myślenia; prośba o zwięzłą końcową odpowiedź nie zmienia go w edycję bez myślenia.
W problemie matematycznym lub logicznym podaj pełną treść, definicje, jednostki i dozwolone założenia. Poproś o wyraźnie wydzieloną końcową odpowiedź z uzasadniającymi krokami potrzebnymi do jej sprawdzenia. Dla rozumowania nad kodem podaj odpowiednią funkcję, wejście i zamierzone zachowanie, a następnie poproś o wyjaśnioną propozycję. Porównaj wspierające obliczenia lub proponowaną poprawkę z dostarczonymi warunkami i rzeczywistymi wynikami.
Implementacja i narzędzia
Przykłady producenta obsługują przepływy rozwoju oprogramowania i narzędzi oraz zalecają Qwen-Agent do szablonów narzędzi i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Określ dozwolone narzędzia, cel zadania i obserwowalny warunek zakończenia. Aplikacja wykonuje działania zewnętrzne i zwraca rzeczywiste obserwacje; model może następnie wykorzystać te informacje zwrotne w kolejnej odpowiedzi.
Przewidywanie wielu tokenów jest częścią treningu, ale jego użycie w inferencji zależy od implementacji i nie jest ogólnie dostępne w każdym lekkim przepływie. Zachowaj to rozróżnienie przy ocenie wdrożenia. Sama możliwość narzędziowa lub cecha architektury nie ustanawia dostępu do plików, aktualnych źródeł lub środowiska wykonawczego przez inną aplikację.
Bardzo długi tekst
Udokumentowane rozszerzenie wykorzystuje YaRN. Producent potwierdza kontekst około miliona tokenów i podaje instrukcję ze współczynnikiem cztery opartą na natywnych 262 144 pozycjach; dla zadań obejmujących 524 288 tokenów sugeruje współczynnik dwa. Statyczne skalowanie może wpływać na działanie przy krótszym tekście, więc powinno wynikać z rzeczywistej potrzeby dłuższego wejścia.
Zorganizuj duże wejście z granicami dokumentów i identyfikatorami kodu lub sekcji. Określ pytanie i oczekiwany rezultat, aby model mógł łączyć istotne dowody zamiast traktować pełne okno jako zastępstwo jasnego zadania. Zarezerwuj miejsce na potencjalnie długie rozumowanie i końcowy wynik.
Wskazówki generowania
Dobre praktyki zalecają temperature 0,6, top_p 0,95, 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. Qwen zaleca pulę generowania 32 768 tokenów dla większości pytań i 81 920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie niezależne twarde limity wyjścia.
Wyraźnie określ format końcowej odpowiedzi, taki jak wydzielony wynik matematyczny lub pole odpowiedzi. Producent zaleca zachowywanie końcowych wyników bez treści myślenia w historycznych wiadomościach asystenta, zgodnie z szablonem tego checkpointu. Opcji zachowywania historycznego rozumowania z późniejszych modeli nie należy przenosić automatycznie.
Istotne ograniczenia
Jest to model wyłącznie tekstowy. Obrazy, dźwięk lub wideo wymagają odpowiedniej osobnej reprezentacji, zanim mogą służyć jako dowody w tym przepływie. Długie myślenie i kontekst są skończonymi zasobami, a szczegółowe rozumowanie samo w sobie nie dowodzi poprawnego wyniku. Sprawdź założenia, obliczenia i wygenerowany kod względem dostarczonego źródła. Przydatnym rezultatem jest odpowiedź lub materiał nadający się do przeglądu, którego dowody pozostają widoczne i którego tożsamość wyłącznie z myśleniem jest zachowana.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0024 / 1K tokenów Wejście · Odczyt cache — / 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0024 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-thinking',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-thinking',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-thinking
Użyj ścieżek metod podanych powyżej.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking to tekstowy model rozumowania Qwen z 80 miliardami parametrów łącznie i 3 miliardami aktywowanymi. Używa wyłącznie myślenia, hybrydowej uwagi i rzadkich ekspertów do złożonych zadań, z natywnym kontekstem 262 144 tokenów i warunkowym rozszerzeniem do 1 010 000.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3-Next: złożone rozumowanie tekstowe
Qwen3-Next-80B-A3B-Thinking to tekstowa edycja Qwen3-Next wyłącznie z myśleniem. Producent zaleca ją do bardzo złożonych zadań rozumowania i zauważa, że jej myślenie może być dłuższe niż we wcześniejszych modelach. Przyjmuje tekst i zwraca tekst, w tym wyjaśnioną odpowiedź lub propozycję kodu. Zachowaj rozróżnienie między nią a Qwen3-Next-80B-A3B-Instruct i Qwen3-Coder-Next, których kontrakty bez myślenia są inne.
Rodzina wprowadza hybrydową uwagę łączącą Gated DeltaNet i uwagę bramkowaną, ekspertów o wysokiej rzadkości, techniki stabilności takie jak normalizacja warstw centrowana wokół zera i z zanikiem wag oraz przewidywanie wielu tokenów. Qwen opisuje również stabilizację uczenia ze wzmocnieniem przez GSPO. Są to cechy treningu i architektury; wzrost wydajności zależy od implementacji i nie powinien stawać się uniwersalnym twierdzeniem o czasie odpowiedzi.
Przegląd modelu
Model ma łącznie 80 miliardów parametrów i aktywuje trzy miliardy. Ma 48 warstw we 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. Tekst źródłowy, historyczne wiadomości, obserwacje narzędzi, rozumowanie i końcowe wyjście dzielą skonfigurowaną pulę sekwencji. Dla złożonego myślenia producent zaleca skonfigurowany kontekst większy niż 131 072 tam, gdzie to możliwe, nawet jeśli mniejsze okno ograniczyłoby obciążenie pamięci.
Korzystanie z interfejsu wyłącznie z myśleniem
Domyślny szablon rozmowy zawiera już otwierający znacznik myślenia. Zwrócona sekwencja może więc zawierać znacznik zamykający bez powtarzania otwierającego. Jest to normalne formatowanie instrukcji użycia producenta, a nie dowód braku rozumowania. Model obsługuje tylko tryb myślenia; prośba o zwięzłą końcową odpowiedź nie zmienia go w edycję bez myślenia.
W problemie matematycznym lub logicznym podaj pełną treść, definicje, jednostki i dozwolone założenia. Poproś o wyraźnie wydzieloną końcową odpowiedź z uzasadniającymi krokami potrzebnymi do jej sprawdzenia. Dla rozumowania nad kodem podaj odpowiednią funkcję, wejście i zamierzone zachowanie, a następnie poproś o wyjaśnioną propozycję. Porównaj wspierające obliczenia lub proponowaną poprawkę z dostarczonymi warunkami i rzeczywistymi wynikami.
Implementacja i narzędzia
Przykłady producenta obsługują przepływy rozwoju oprogramowania i narzędzi oraz zalecają Qwen-Agent do szablonów narzędzi i parsowania, ze skonfigurowanymi narzędziami lub narzędziami podłączonymi przez MCP. Określ dozwolone narzędzia, cel zadania i obserwowalny warunek zakończenia. Aplikacja wykonuje działania zewnętrzne i zwraca rzeczywiste obserwacje; model może następnie wykorzystać te informacje zwrotne w kolejnej odpowiedzi.
Przewidywanie wielu tokenów jest częścią treningu, ale jego użycie w inferencji zależy od implementacji i nie jest ogólnie dostępne w każdym lekkim przepływie. Zachowaj to rozróżnienie przy ocenie wdrożenia. Sama możliwość narzędziowa lub cecha architektury nie ustanawia dostępu do plików, aktualnych źródeł lub środowiska wykonawczego przez inną aplikację.
Bardzo długi tekst
Udokumentowane rozszerzenie wykorzystuje YaRN. Producent potwierdza kontekst około miliona tokenów i podaje instrukcję ze współczynnikiem cztery opartą na natywnych 262 144 pozycjach; dla zadań obejmujących 524 288 tokenów sugeruje współczynnik dwa. Statyczne skalowanie może wpływać na działanie przy krótszym tekście, więc powinno wynikać z rzeczywistej potrzeby dłuższego wejścia.
Zorganizuj duże wejście z granicami dokumentów i identyfikatorami kodu lub sekcji. Określ pytanie i oczekiwany rezultat, aby model mógł łączyć istotne dowody zamiast traktować pełne okno jako zastępstwo jasnego zadania. Zarezerwuj miejsce na potencjalnie długie rozumowanie i końcowy wynik.
Wskazówki generowania
Dobre praktyki zalecają temperature 0,6, top_p 0,95, 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. Qwen zaleca pulę generowania 32 768 tokenów dla większości pytań i 81 920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie niezależne twarde limity wyjścia.
Wyraźnie określ format końcowej odpowiedzi, taki jak wydzielony wynik matematyczny lub pole odpowiedzi. Producent zaleca zachowywanie końcowych wyników bez treści myślenia w historycznych wiadomościach asystenta, zgodnie z szablonem tego checkpointu. Opcji zachowywania historycznego rozumowania z późniejszych modeli nie należy przenosić automatycznie.
Istotne ograniczenia
Jest to model wyłącznie tekstowy. Obrazy, dźwięk lub wideo wymagają odpowiedniej osobnej reprezentacji, zanim mogą służyć jako dowody w tym przepływie. Długie myślenie i kontekst są skończonymi zasobami, a szczegółowe rozumowanie samo w sobie nie dowodzi poprawnego wyniku. Sprawdź założenia, obliczenia i wygenerowany kod względem dostarczonego źródła. Przydatnym rezultatem jest odpowiedź lub materiał nadający się do przeglądu, którego dowody pozostają widoczne i którego tożsamość wyłącznie z myśleniem jest zachowana.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0024 / 1K tokenów Wejście · Odczyt cache — / 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0024 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.