Qwen3-1.7B łączy bezpośrednie odpowiedzi i rozumowanie w małym gęstym modelu językowym. Producent opisuje wykonywanie instrukcji, twórcze pisanie, rozmowy oparte na rolach, matematykę, problemy logiczne i kod, z obsługą ponad 100 języków i dialektów. Przyjmuje tekst i tworzy tekst. Użytecznym zadaniem początkowym jest ściśle określone przekształcenie: zmień krótką wiadomość klienta w uprzejmą odpowiedź, wyjaśnij termin określonemu odbiorcy lub przekształć notatkę ze spotkania w listę działań.
To konkretne wydanie ma 1.7 miliarda parametrów, w tym 1.4 miliarda poza embeddingami, i 28 warstw. Mechanizm grouped-query attention wykorzystuje 16 głów zapytań i osiem głów kluczy/wartości. Własna karta modelu podaje kontekst o długości 32,768 tokenów. Jest to udokumentowane okno tej wersji; większe wartości kontekstu innych rozmiarów Qwen3 powinny pozostać przypisane do ich osobnych kart. Zachowaj tekst źródłowy, instrukcje, historię rozmowy i żądaną odpowiedź w odpowiednim budżecie sekwencji. W przypadku asystenta odpowiedzi podaj otrzymaną wiadomość, zweryfikowane informacje kontekstowe, odbiorców i żądaną długość zamiast całego archiwum niepowiązanej korespondencji.
Szybki start producenta formatuje rozmowę przy użyciu szablonu czatu modelu. Przygotuj małe, kompletne zadanie, które można sprawdzić względem źródła. W przykładzie listy działań podaj notatkę zawierającą nazwiska, daty i decyzje, poproś o jedną pozycję na działanie i wymagaj jawnej wartości nieznanej tam, gdzie nie wskazano odpowiedzialności. W przykładzie programistycznym podaj jedną funkcję i reprezentatywne dane wejściowe, a następnie poproś model o wyjaśnienie gałęzi decydującej o wyniku. Zwrócone wyjaśnienie powinno odwoływać się do rzeczywistych zmiennych i warunków zamiast wprowadzać hipotetyczne zachowanie. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
W dostarczonym szablonie rozumowanie jest domyślnie włączone. Twardy przełącznik wybiera wynik bez rozumowania i bez jego sekcji. Gdy rozumowanie pozostaje włączone, /think i /no_think działają jako instrukcje dla poszczególnych tur, przy czym wybór kontroluje najnowsza; nie mogą zastąpić trybu wyłączonego twardym przełącznikiem. Używaj ustawienia bezpośredniego do krótkiego przeredagowania, a ustawienia rozumowania, gdy odpowiedź wymaga pogodzenia kilku warunków. Oddzielaj rozumowanie pośrednie od odpowiedzi końcowej i zachowuj odpowiedź końcową w późniejszej historii dialogu. Przy włączonym rozumowaniu nawet miękka prośba o brak rozumowania zachowuje blok rozumowania; jego treść może być pusta. Twarde wyłączenie usuwa ten blok.
Zastosowania agentowe należą do opublikowanego zestawu możliwości. Producent zaleca Qwen-Agent do formatowania narzędzi i parsowania, a aplikacja dostarcza i wykonuje narzędzia. Wąsko wyspecjalizowany asystent może poprosić o sprawdzenie terminu produktowego w słowniku, otrzymać potwierdzoną definicję, a następnie przeredagować zdanie użytkownika. Zdefiniuj dozwolony argument i zwracane pola; sprawdź oba przed użyciem wyniku. Końcowy tekst powinien odróżniać dostarczone fakty, zwrócone informacje i pytania pozostające bez odpowiedzi. Przewodnik Qwen3 opisuje również równoległe i wieloetapowe wywołania narzędzi, z argumentami reprezentowanymi jako obiekty i wynikami zwracanymi do rozmowy.
Budżet wyjściowy powinien obejmować całe zadanie. Karta modelu zawiera przykłady generowania i zalecenia długości wyjścia; różnią się one od potwierdzonego maksimum po stronie usługi. Krótkie żądane wyniki łatwo zweryfikować: określ pola, kolejność i język oraz zachowaj oryginalną wiadomość do porównania. Oceń rezultat na rzeczywistej klasie danych wejściowych, zanim zaczniesz polegać na generowaniu długich tekstów. Dokumentacja Qwen3 omawia długości wiadomości asystenta wynoszące 38,912 tokenów w trybie rozumowania i 16,384 w trybie bez rozumowania w wyjaśnieniu długości treningowych oraz zaleca ocenę jakości dłuższego generowania. Liczby te różnią się od całego okna kontekstu i nie są sztywnym limitem konkretnego endpointu.
Ten rozmiar ma specjalną uwagę dotyczącą uporczywych powtórzeń: karta sugeruje zalecane ustawienia próbkowania i presence_penalty 1.5 przy znacznych powtórzeniach. Wyższe kary mogą czasem mieszać języki lub obniżać skuteczność. Dla rozumowania sugerowane temperature wynosi 0.6 przy top-p 0.95, top-k 20 i min-p 0; dla trybu bez rozumowania temperature wynosi 0.7 przy top-p 0.8, top-k 20 i min-p 0. Unikaj dekodowania zachłannego w trybie rozumowania. Sprawdź nazwiska, daty, etykiety i powtarzane zdania oraz zweryfikuj każdy ustrukturyzowany wynik przed przekazaniem go do innej części aplikacji.
", "aboutText": "Qwen3-1.7B łączy bezpośrednie odpowiedzi i rozumowanie w małym gęstym modelu językowym. Producent opisuje wykonywanie instrukcji, twórcze pisanie, rozmowy oparte na rolach, matematykę, problemy logiczne i kod, z obsługą ponad 100 języków i dialektów. Przyjmuje tekst i tworzy tekst. Użytecznym zadaniem początkowym jest ściśle określone przekształcenie: zmień krótką wiadomość klienta w uprzejmą odpowiedź, wyjaśnij termin określonemu odbiorcy lub przekształć notatkę ze spotkania w listę działań.\n\nTo konkretne wydanie ma 1.7 miliarda parametrów, w tym 1.4 miliarda poza embeddingami, i 28 warstw. Mechanizm grouped-query attention wykorzystuje 16 głów zapytań i osiem głów kluczy/wartości. Własna karta modelu podaje kontekst o długości 32,768 tokenów. Jest to udokumentowane okno tej wersji; większe wartości kontekstu innych rozmiarów Qwen3 powinny pozostać przypisane do ich osobnych kart. Zachowaj tekst źródłowy, instrukcje, historię rozmowy i żądaną odpowiedź w odpowiednim budżecie sekwencji. W przypadku asystenta odpowiedzi podaj otrzymaną wiadomość, zweryfikowane informacje kontekstowe, odbiorców i żądaną długość zamiast całego archiwum niepowiązanej korespondencji.\n\nSzybki start producenta formatuje rozmowę przy użyciu szablonu czatu modelu. Przygotuj małe, kompletne zadanie, które można sprawdzić względem źródła. W przykładzie listy działań podaj notatkę zawierającą nazwiska, daty i decyzje, poproś o jedną pozycję na działanie i wymagaj jawnej wartości nieznanej tam, gdzie nie wskazano odpowiedzialności. W przykładzie programistycznym podaj jedną funkcję i reprezentatywne dane wejściowe, a następnie poproś model o wyjaśnienie gałęzi decydującej o wyniku. Zwrócone wyjaśnienie powinno odwoływać się do rzeczywistych zmiennych i warunków zamiast wprowadzać hipotetyczne zachowanie. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.\n\nW dostarczonym szablonie rozumowanie jest domyślnie włączone. Twardy przełącznik wybiera wynik bez rozumowania i bez jego sekcji. Gdy rozumowanie pozostaje włączone, /think i /no_think działają jako instrukcje dla poszczególnych tur, przy czym wybór kontroluje najnowsza; nie mogą zastąpić trybu wyłączonego twardym przełącznikiem. Używaj ustawienia bezpośredniego do krótkiego przeredagowania, a ustawienia rozumowania, gdy odpowiedź wymaga pogodzenia kilku warunków. Oddzielaj rozumowanie pośrednie od odpowiedzi końcowej i zachowuj odpowiedź końcową w późniejszej historii dialogu. Przy włączonym rozumowaniu nawet miękka prośba o brak rozumowania zachowuje blok rozumowania; jego treść może być pusta. Twarde wyłączenie usuwa ten blok.\n\nZastosowania agentowe należą do opublikowanego zestawu możliwości. Producent zaleca Qwen-Agent do formatowania narzędzi i parsowania, a aplikacja dostarcza i wykonuje narzędzia. Wąsko wyspecjalizowany asystent może poprosić o sprawdzenie terminu produktowego w słowniku, otrzymać potwierdzoną definicję, a następnie przeredagować zdanie użytkownika. Zdefiniuj dozwolony argument i zwracane pola; sprawdź oba przed użyciem wyniku. Końcowy tekst powinien odróżniać dostarczone fakty, zwrócone informacje i pytania pozostające bez odpowiedzi. Przewodnik Qwen3 opisuje również równoległe i wieloetapowe wywołania narzędzi, z argumentami reprezentowanymi jako obiekty i wynikami zwracanymi do rozmowy.\n\nBudżet wyjściowy powinien obejmować całe zadanie. Karta modelu zawiera przykłady generowania i zalecenia długości wyjścia; różnią się one od potwierdzonego maksimum po stronie usługi. Krótkie żądane wyniki łatwo zweryfikować: określ pola, kolejność i język oraz zachowaj oryginalną wiadomość do porównania. Oceń rezultat na rzeczywistej klasie danych wejściowych, zanim zaczniesz polegać na generowaniu długich tekstów. Dokumentacja Qwen3 omawia długości wiadomości asystenta wynoszące 38,912 tokenów w trybie rozumowania i 16,384 w trybie bez rozumowania w wyjaśnieniu długości treningowych oraz zaleca ocenę jakości dłuższego generowania. Liczby te różnią się od całego okna kontekstu i nie są sztywnym limitem konkretnego endpointu.\n\nTen rozmiar ma specjalną uwagę dotyczącą uporczywych powtórzeń: karta sugeruje zalecane ustawienia próbkowania i presence_penalty 1.5 przy znacznych powtórzeniach. Wyższe kary mogą czasem mieszać języki lub obniżać skuteczność. Dla rozumowania sugerowane temperature wynosi 0.6 przy top-p 0.95, top-k 20 i min-p 0; dla trybu bez rozumowania temperature wynosi 0.7 przy top-p 0.8, top-k 20 i min-p 0. Unikaj dekodowania zachłannego w trybie rozumowania. Sprawdź nazwiska, daty, etykiety i powtarzane zdania oraz zweryfikuj każdy ustrukturyzowany wynik przed przekazaniem go do innej części aplikacji.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B to kompaktowy gęsty model tekstowy z trybami odpowiedzi bezpośredniej i rozumowania. Obsługuje wielojęzyczny dialog, pisanie, kod i instrukcje ukierunkowane na narzędzia, z kontekstem o długości 32,768 tokenów udokumentowanym dla dokładnie tego wydania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-1.7B łączy bezpośrednie odpowiedzi i rozumowanie w małym gęstym modelu językowym. Producent opisuje wykonywanie instrukcji, twórcze pisanie, rozmowy oparte na rolach, matematykę, problemy logiczne i kod, z obsługą ponad 100 języków i dialektów. Przyjmuje tekst i tworzy tekst. Użytecznym zadaniem początkowym jest ściśle określone przekształcenie: zmień krótką wiadomość klienta w uprzejmą odpowiedź, wyjaśnij termin określonemu odbiorcy lub przekształć notatkę ze spotkania w listę działań.
To konkretne wydanie ma 1.7 miliarda parametrów, w tym 1.4 miliarda poza embeddingami, i 28 warstw. Mechanizm grouped-query attention wykorzystuje 16 głów zapytań i osiem głów kluczy/wartości. Własna karta modelu podaje kontekst o długości 32,768 tokenów. Jest to udokumentowane okno tej wersji; większe wartości kontekstu innych rozmiarów Qwen3 powinny pozostać przypisane do ich osobnych kart. Zachowaj tekst źródłowy, instrukcje, historię rozmowy i żądaną odpowiedź w odpowiednim budżecie sekwencji. W przypadku asystenta odpowiedzi podaj otrzymaną wiadomość, zweryfikowane informacje kontekstowe, odbiorców i żądaną długość zamiast całego archiwum niepowiązanej korespondencji.
Szybki start producenta formatuje rozmowę przy użyciu szablonu czatu modelu. Przygotuj małe, kompletne zadanie, które można sprawdzić względem źródła. W przykładzie listy działań podaj notatkę zawierającą nazwiska, daty i decyzje, poproś o jedną pozycję na działanie i wymagaj jawnej wartości nieznanej tam, gdzie nie wskazano odpowiedzialności. W przykładzie programistycznym podaj jedną funkcję i reprezentatywne dane wejściowe, a następnie poproś model o wyjaśnienie gałęzi decydującej o wyniku. Zwrócone wyjaśnienie powinno odwoływać się do rzeczywistych zmiennych i warunków zamiast wprowadzać hipotetyczne zachowanie. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
W dostarczonym szablonie rozumowanie jest domyślnie włączone. Twardy przełącznik wybiera wynik bez rozumowania i bez jego sekcji. Gdy rozumowanie pozostaje włączone, /think i /no_think działają jako instrukcje dla poszczególnych tur, przy czym wybór kontroluje najnowsza; nie mogą zastąpić trybu wyłączonego twardym przełącznikiem. Używaj ustawienia bezpośredniego do krótkiego przeredagowania, a ustawienia rozumowania, gdy odpowiedź wymaga pogodzenia kilku warunków. Oddzielaj rozumowanie pośrednie od odpowiedzi końcowej i zachowuj odpowiedź końcową w późniejszej historii dialogu. Przy włączonym rozumowaniu nawet miękka prośba o brak rozumowania zachowuje blok rozumowania; jego treść może być pusta. Twarde wyłączenie usuwa ten blok.
Zastosowania agentowe należą do opublikowanego zestawu możliwości. Producent zaleca Qwen-Agent do formatowania narzędzi i parsowania, a aplikacja dostarcza i wykonuje narzędzia. Wąsko wyspecjalizowany asystent może poprosić o sprawdzenie terminu produktowego w słowniku, otrzymać potwierdzoną definicję, a następnie przeredagować zdanie użytkownika. Zdefiniuj dozwolony argument i zwracane pola; sprawdź oba przed użyciem wyniku. Końcowy tekst powinien odróżniać dostarczone fakty, zwrócone informacje i pytania pozostające bez odpowiedzi. Przewodnik Qwen3 opisuje również równoległe i wieloetapowe wywołania narzędzi, z argumentami reprezentowanymi jako obiekty i wynikami zwracanymi do rozmowy.
Budżet wyjściowy powinien obejmować całe zadanie. Karta modelu zawiera przykłady generowania i zalecenia długości wyjścia; różnią się one od potwierdzonego maksimum po stronie usługi. Krótkie żądane wyniki łatwo zweryfikować: określ pola, kolejność i język oraz zachowaj oryginalną wiadomość do porównania. Oceń rezultat na rzeczywistej klasie danych wejściowych, zanim zaczniesz polegać na generowaniu długich tekstów. Dokumentacja Qwen3 omawia długości wiadomości asystenta wynoszące 38,912 tokenów w trybie rozumowania i 16,384 w trybie bez rozumowania w wyjaśnieniu długości treningowych oraz zaleca ocenę jakości dłuższego generowania. Liczby te różnią się od całego okna kontekstu i nie są sztywnym limitem konkretnego endpointu.
Ten rozmiar ma specjalną uwagę dotyczącą uporczywych powtórzeń: karta sugeruje zalecane ustawienia próbkowania i presence_penalty 1.5 przy znacznych powtórzeniach. Wyższe kary mogą czasem mieszać języki lub obniżać skuteczność. Dla rozumowania sugerowane temperature wynosi 0.6 przy top-p 0.95, top-k 20 i min-p 0; dla trybu bez rozumowania temperature wynosi 0.7 przy top-p 0.8, top-k 20 i min-p 0. Unikaj dekodowania zachłannego w trybie rozumowania. Sprawdź nazwiska, daty, etykiety i powtarzane zdania oraz zweryfikuj każdy ustrukturyzowany wynik przed przekazaniem go do innej części aplikacji.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3-1.7b | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.001 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-1.7b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-1.7b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-1.7b',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 qwen3-1.7b
Użyj ścieżek metod podanych powyżej.
qwen3-1.7bQwen3-1.7B to kompaktowy gęsty model tekstowy z trybami odpowiedzi bezpośredniej i rozumowania. Obsługuje wielojęzyczny dialog, pisanie, kod i instrukcje ukierunkowane na narzędzia, z kontekstem o długości 32,768 tokenów udokumentowanym dla dokładnie tego wydania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-1.7B łączy bezpośrednie odpowiedzi i rozumowanie w małym gęstym modelu językowym. Producent opisuje wykonywanie instrukcji, twórcze pisanie, rozmowy oparte na rolach, matematykę, problemy logiczne i kod, z obsługą ponad 100 języków i dialektów. Przyjmuje tekst i tworzy tekst. Użytecznym zadaniem początkowym jest ściśle określone przekształcenie: zmień krótką wiadomość klienta w uprzejmą odpowiedź, wyjaśnij termin określonemu odbiorcy lub przekształć notatkę ze spotkania w listę działań.
To konkretne wydanie ma 1.7 miliarda parametrów, w tym 1.4 miliarda poza embeddingami, i 28 warstw. Mechanizm grouped-query attention wykorzystuje 16 głów zapytań i osiem głów kluczy/wartości. Własna karta modelu podaje kontekst o długości 32,768 tokenów. Jest to udokumentowane okno tej wersji; większe wartości kontekstu innych rozmiarów Qwen3 powinny pozostać przypisane do ich osobnych kart. Zachowaj tekst źródłowy, instrukcje, historię rozmowy i żądaną odpowiedź w odpowiednim budżecie sekwencji. W przypadku asystenta odpowiedzi podaj otrzymaną wiadomość, zweryfikowane informacje kontekstowe, odbiorców i żądaną długość zamiast całego archiwum niepowiązanej korespondencji.
Szybki start producenta formatuje rozmowę przy użyciu szablonu czatu modelu. Przygotuj małe, kompletne zadanie, które można sprawdzić względem źródła. W przykładzie listy działań podaj notatkę zawierającą nazwiska, daty i decyzje, poproś o jedną pozycję na działanie i wymagaj jawnej wartości nieznanej tam, gdzie nie wskazano odpowiedzialności. W przykładzie programistycznym podaj jedną funkcję i reprezentatywne dane wejściowe, a następnie poproś model o wyjaśnienie gałęzi decydującej o wyniku. Zwrócone wyjaśnienie powinno odwoływać się do rzeczywistych zmiennych i warunków zamiast wprowadzać hipotetyczne zachowanie. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
W dostarczonym szablonie rozumowanie jest domyślnie włączone. Twardy przełącznik wybiera wynik bez rozumowania i bez jego sekcji. Gdy rozumowanie pozostaje włączone, /think i /no_think działają jako instrukcje dla poszczególnych tur, przy czym wybór kontroluje najnowsza; nie mogą zastąpić trybu wyłączonego twardym przełącznikiem. Używaj ustawienia bezpośredniego do krótkiego przeredagowania, a ustawienia rozumowania, gdy odpowiedź wymaga pogodzenia kilku warunków. Oddzielaj rozumowanie pośrednie od odpowiedzi końcowej i zachowuj odpowiedź końcową w późniejszej historii dialogu. Przy włączonym rozumowaniu nawet miękka prośba o brak rozumowania zachowuje blok rozumowania; jego treść może być pusta. Twarde wyłączenie usuwa ten blok.
Zastosowania agentowe należą do opublikowanego zestawu możliwości. Producent zaleca Qwen-Agent do formatowania narzędzi i parsowania, a aplikacja dostarcza i wykonuje narzędzia. Wąsko wyspecjalizowany asystent może poprosić o sprawdzenie terminu produktowego w słowniku, otrzymać potwierdzoną definicję, a następnie przeredagować zdanie użytkownika. Zdefiniuj dozwolony argument i zwracane pola; sprawdź oba przed użyciem wyniku. Końcowy tekst powinien odróżniać dostarczone fakty, zwrócone informacje i pytania pozostające bez odpowiedzi. Przewodnik Qwen3 opisuje również równoległe i wieloetapowe wywołania narzędzi, z argumentami reprezentowanymi jako obiekty i wynikami zwracanymi do rozmowy.
Budżet wyjściowy powinien obejmować całe zadanie. Karta modelu zawiera przykłady generowania i zalecenia długości wyjścia; różnią się one od potwierdzonego maksimum po stronie usługi. Krótkie żądane wyniki łatwo zweryfikować: określ pola, kolejność i język oraz zachowaj oryginalną wiadomość do porównania. Oceń rezultat na rzeczywistej klasie danych wejściowych, zanim zaczniesz polegać na generowaniu długich tekstów. Dokumentacja Qwen3 omawia długości wiadomości asystenta wynoszące 38,912 tokenów w trybie rozumowania i 16,384 w trybie bez rozumowania w wyjaśnieniu długości treningowych oraz zaleca ocenę jakości dłuższego generowania. Liczby te różnią się od całego okna kontekstu i nie są sztywnym limitem konkretnego endpointu.
Ten rozmiar ma specjalną uwagę dotyczącą uporczywych powtórzeń: karta sugeruje zalecane ustawienia próbkowania i presence_penalty 1.5 przy znacznych powtórzeniach. Wyższe kary mogą czasem mieszać języki lub obniżać skuteczność. Dla rozumowania sugerowane temperature wynosi 0.6 przy top-p 0.95, top-k 20 i min-p 0; dla trybu bez rozumowania temperature wynosi 0.7 przy top-p 0.8, top-k 20 i min-p 0. Unikaj dekodowania zachłannego w trybie rozumowania. Sprawdź nazwiska, daty, etykiety i powtarzane zdania oraz zweryfikuj każdy ustrukturyzowany wynik przed przekazaniem go do innej części aplikacji.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3-1.7b | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.001 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-1.7b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-1.7b', '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 qwen3-1.7b
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.