Qwen3-235B-A22B przenosi hybrydowe podejście Qwen3 do rozumowania do dużego modelu mixture-of-experts. Jego zdolności tekstowe obejmują problemy matematyczne i logiczne, generowanie kodu, twórcze pisanie, rozmowy oparte na rolach i wieloturowe wykonywanie instrukcji. Działa w ponad 100 językach i dialektach. W dyskusji o rozwoju produktu podaj wymagania, konkretny przykład i potrzebną decyzję: porównanie projektów, implementację lub wyjaśnienie użyteczne dla określonych odbiorców.
Model ma łącznie 235 miliardów parametrów i aktywuje 22 miliardy podczas przetwarzania. Jego architektura zawiera 128 ekspertów, wybiera ośmiu z nich i ma 94 warstwy. Te liczby identyfikują to wydanie; mniejsze modele Qwen3 i wersja FP8 mają odrębne tożsamości. Wejście i wyjście są tekstowe. Odpowiednim zadaniem inżynierskim jest porównanie dwóch algorytmów uzgadniania na tych samych przykładowych rekordach, wskazanie ograniczeń spełnianych przez każdy i zwrócenie wybranego algorytmu z przypadkami testowymi. Dostarcz rzeczywiste nazwy pól, zasady obsługi duplikatów i oczekiwane sumy, aby można było sprawdzić odpowiedź względem pierwotnego problemu.
Przygotuj żądanie jako wiadomości czatu, oddzielając materiał źródłowy od instrukcji. W pytaniu matematycznym dołącz pełną treść, dopuszczalne założenia i notację, a następnie poproś o odpowiedź końcową w określonej formie. W zadaniu z kodem dołącz odpowiednią funkcję, język, reprezentatywne dane wejściowe i zaobserwowany błąd. Poproś o najmniejszą uzasadnioną zmianę i opisz istniejące zachowanie, które musi zostać zachowane. Przy wielojęzycznym pisaniu podaj odbiorców i listę terminów zamiast prosić o ogólne tłumaczenie. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
Rozumowanie i brak rozumowania są trybami tego samego modelu. Szablon czatu producenta domyślnie włącza rozumowanie; twardy przełącznik może je wyłączyć. Gdy rozumowanie pozostaje włączone, /think i /no_think zapewniają sterowanie na poziomie tury, przy czym pierwszeństwo ma najnowsza instrukcja. Tryb wyłączony twardym przełącznikiem nie reaguje na te miękkie przełączniki. W interfejsie programistycznym oddziel odpowiedź końcową od sekcji rozumowania i przenoś odpowiedź końcową do dalszej historii rozmowy. Wybieraj tryb świadomie: spór o algorytm i krótkie przeredagowanie wymagają różnej ilości analizy. Przy włączonym rozumowaniu nawet miękka prośba o brak rozumowania zachowuje blok rozumowania; jego treść może być pusta. Twarde wyłączenie usuwa ten blok.
W procesach agentowych producent zaleca Qwen-Agent do szablonów narzędzi i parsowania. Narzędzia mogą obejmować podłączone usługi lub interpreter kodu; definiuje i wykonuje je aplikacja. Na przykład udostępnij asystentowi wyszukiwanie stanów magazynowych tylko do odczytu z udokumentowanymi polami i poproś o porównanie zwróconego stanu z dostarczonym zamówieniem. Określ przeznaczenie narzędzia, dopuszczalne argumenty, strukturę wyniku i granice uprawnień. Wymagaj, aby odpowiedź końcowa odróżniała proponowane działanie od potwierdzonego wyniku narzędzia. Możliwości modelu związane z narzędziami same nie powodują wykonania zewnętrznego działania. Przewodnik Qwen3 opisuje również równoległe i wieloetapowe wywołania narzędzi, z argumentami reprezentowanymi jako obiekty i wynikami zwracanymi do rozmowy.
Natywny kontekst wynosi 32,768 tokenów. Producent potwierdza 131,072 tokenów z rozszerzeniem YaRN; zależy to od konfiguracji, a statyczne skalowanie może wpływać na krótsze wejścia. Budżet kontekstu obejmuje zarówno żądanie, jak i wygenerowaną odpowiedź. W długiej specyfikacji wskaż sekcje istotne dla decyzji, oznacz je i zarezerwuj miejsce na odpowiedź, zamiast wypełniać cały budżet tekstem źródłowym. Karta zaleca 32,768 tokenów wyjściowych dla większości zapytań, zamiast ogłaszać tę wartość uniwersalnym limitem usługi. 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. Karta wyjaśnia też domyślny przydział pozycyjny 40,960 tokenów jako 8,192 na typowe polecenia plus 32,768 na wyjście; to wskazówka konfiguracji producenta, odrębna od natywnego kontekstu treningowego i wszelkich limitów endpointu.
Zalecane próbkowanie w trybie rozumowania to temperature 0.6, top-p 0.95, top-k 20 i min-p 0; tryb bez rozumowania używa 0.7, 0.8, 20 i 0. Producent zaleca dekodowanie z próbkowaniem i ostrzega, że dekodowanie zachłanne w trybie rozumowania może powodować powtórzenia. Wyższe kary obecności mogą też wprowadzać mieszanie języków. Ułatw sprawdzenie wyniku: poproś o nazwane pole odpowiedzi końcowej, tabelę decyzji z uzasadnieniami lub poprawkę kodu z przykładami. Sprawdź obliczenia względem dostarczonych liczb, uruchom proponowany kod w zamierzonym środowisku i przejrzyj wyniki narzędzi przed podjęciem działania.
", "aboutText": "Qwen3-235B-A22B przenosi hybrydowe podejście Qwen3 do rozumowania do dużego modelu mixture-of-experts. Jego zdolności tekstowe obejmują problemy matematyczne i logiczne, generowanie kodu, twórcze pisanie, rozmowy oparte na rolach i wieloturowe wykonywanie instrukcji. Działa w ponad 100 językach i dialektach. W dyskusji o rozwoju produktu podaj wymagania, konkretny przykład i potrzebną decyzję: porównanie projektów, implementację lub wyjaśnienie użyteczne dla określonych odbiorców.\n\nModel ma łącznie 235 miliardów parametrów i aktywuje 22 miliardy podczas przetwarzania. Jego architektura zawiera 128 ekspertów, wybiera ośmiu z nich i ma 94 warstwy. Te liczby identyfikują to wydanie; mniejsze modele Qwen3 i wersja FP8 mają odrębne tożsamości. Wejście i wyjście są tekstowe. Odpowiednim zadaniem inżynierskim jest porównanie dwóch algorytmów uzgadniania na tych samych przykładowych rekordach, wskazanie ograniczeń spełnianych przez każdy i zwrócenie wybranego algorytmu z przypadkami testowymi. Dostarcz rzeczywiste nazwy pól, zasady obsługi duplikatów i oczekiwane sumy, aby można było sprawdzić odpowiedź względem pierwotnego problemu.\n\nPrzygotuj żądanie jako wiadomości czatu, oddzielając materiał źródłowy od instrukcji. W pytaniu matematycznym dołącz pełną treść, dopuszczalne założenia i notację, a następnie poproś o odpowiedź końcową w określonej formie. W zadaniu z kodem dołącz odpowiednią funkcję, język, reprezentatywne dane wejściowe i zaobserwowany błąd. Poproś o najmniejszą uzasadnioną zmianę i opisz istniejące zachowanie, które musi zostać zachowane. Przy wielojęzycznym pisaniu podaj odbiorców i listę terminów zamiast prosić o ogólne tłumaczenie. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.\n\nRozumowanie i brak rozumowania są trybami tego samego modelu. Szablon czatu producenta domyślnie włącza rozumowanie; twardy przełącznik może je wyłączyć. Gdy rozumowanie pozostaje włączone, /think i /no_think zapewniają sterowanie na poziomie tury, przy czym pierwszeństwo ma najnowsza instrukcja. Tryb wyłączony twardym przełącznikiem nie reaguje na te miękkie przełączniki. W interfejsie programistycznym oddziel odpowiedź końcową od sekcji rozumowania i przenoś odpowiedź końcową do dalszej historii rozmowy. Wybieraj tryb świadomie: spór o algorytm i krótkie przeredagowanie wymagają różnej ilości analizy. Przy włączonym rozumowaniu nawet miękka prośba o brak rozumowania zachowuje blok rozumowania; jego treść może być pusta. Twarde wyłączenie usuwa ten blok.\n\nW procesach agentowych producent zaleca Qwen-Agent do szablonów narzędzi i parsowania. Narzędzia mogą obejmować podłączone usługi lub interpreter kodu; definiuje i wykonuje je aplikacja. Na przykład udostępnij asystentowi wyszukiwanie stanów magazynowych tylko do odczytu z udokumentowanymi polami i poproś o porównanie zwróconego stanu z dostarczonym zamówieniem. Określ przeznaczenie narzędzia, dopuszczalne argumenty, strukturę wyniku i granice uprawnień. Wymagaj, aby odpowiedź końcowa odróżniała proponowane działanie od potwierdzonego wyniku narzędzia. Możliwości modelu związane z narzędziami same nie powodują wykonania zewnętrznego działania. Przewodnik Qwen3 opisuje również równoległe i wieloetapowe wywołania narzędzi, z argumentami reprezentowanymi jako obiekty i wynikami zwracanymi do rozmowy.\n\nNatywny kontekst wynosi 32,768 tokenów. Producent potwierdza 131,072 tokenów z rozszerzeniem YaRN; zależy to od konfiguracji, a statyczne skalowanie może wpływać na krótsze wejścia. Budżet kontekstu obejmuje zarówno żądanie, jak i wygenerowaną odpowiedź. W długiej specyfikacji wskaż sekcje istotne dla decyzji, oznacz je i zarezerwuj miejsce na odpowiedź, zamiast wypełniać cały budżet tekstem źródłowym. Karta zaleca 32,768 tokenów wyjściowych dla większości zapytań, zamiast ogłaszać tę wartość uniwersalnym limitem usługi. 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. Karta wyjaśnia też domyślny przydział pozycyjny 40,960 tokenów jako 8,192 na typowe polecenia plus 32,768 na wyjście; to wskazówka konfiguracji producenta, odrębna od natywnego kontekstu treningowego i wszelkich limitów endpointu.\n\nZalecane próbkowanie w trybie rozumowania to temperature 0.6, top-p 0.95, top-k 20 i min-p 0; tryb bez rozumowania używa 0.7, 0.8, 20 i 0. Producent zaleca dekodowanie z próbkowaniem i ostrzega, że dekodowanie zachłanne w trybie rozumowania może powodować powtórzenia. Wyższe kary obecności mogą też wprowadzać mieszanie języków. Ułatw sprawdzenie wyniku: poproś o nazwane pole odpowiedzi końcowej, tabelę decyzji z uzasadnieniami lub poprawkę kodu z przykładami. Sprawdź obliczenia względem dostarczonych liczb, uruchom proponowany kod w zamierzonym środowisku i przejrzyj wyniki narzędzi przed podjęciem działania.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B łączy szczegółowe rozumowanie i bezpośrednie odpowiedzi tekstowe w jednym modelu mixture-of-experts. Używaj go do analizy matematycznej, kodu, wielojęzycznego pisania i asystentów pracujących z podłączonymi narzędziami.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-235B-A22B przenosi hybrydowe podejście Qwen3 do rozumowania do dużego modelu mixture-of-experts. Jego zdolności tekstowe obejmują problemy matematyczne i logiczne, generowanie kodu, twórcze pisanie, rozmowy oparte na rolach i wieloturowe wykonywanie instrukcji. Działa w ponad 100 językach i dialektach. W dyskusji o rozwoju produktu podaj wymagania, konkretny przykład i potrzebną decyzję: porównanie projektów, implementację lub wyjaśnienie użyteczne dla określonych odbiorców.
Model ma łącznie 235 miliardów parametrów i aktywuje 22 miliardy podczas przetwarzania. Jego architektura zawiera 128 ekspertów, wybiera ośmiu z nich i ma 94 warstwy. Te liczby identyfikują to wydanie; mniejsze modele Qwen3 i wersja FP8 mają odrębne tożsamości. Wejście i wyjście są tekstowe. Odpowiednim zadaniem inżynierskim jest porównanie dwóch algorytmów uzgadniania na tych samych przykładowych rekordach, wskazanie ograniczeń spełnianych przez każdy i zwrócenie wybranego algorytmu z przypadkami testowymi. Dostarcz rzeczywiste nazwy pól, zasady obsługi duplikatów i oczekiwane sumy, aby można było sprawdzić odpowiedź względem pierwotnego problemu.
Przygotuj żądanie jako wiadomości czatu, oddzielając materiał źródłowy od instrukcji. W pytaniu matematycznym dołącz pełną treść, dopuszczalne założenia i notację, a następnie poproś o odpowiedź końcową w określonej formie. W zadaniu z kodem dołącz odpowiednią funkcję, język, reprezentatywne dane wejściowe i zaobserwowany błąd. Poproś o najmniejszą uzasadnioną zmianę i opisz istniejące zachowanie, które musi zostać zachowane. Przy wielojęzycznym pisaniu podaj odbiorców i listę terminów zamiast prosić o ogólne tłumaczenie. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
Rozumowanie i brak rozumowania są trybami tego samego modelu. Szablon czatu producenta domyślnie włącza rozumowanie; twardy przełącznik może je wyłączyć. Gdy rozumowanie pozostaje włączone, /think i /no_think zapewniają sterowanie na poziomie tury, przy czym pierwszeństwo ma najnowsza instrukcja. Tryb wyłączony twardym przełącznikiem nie reaguje na te miękkie przełączniki. W interfejsie programistycznym oddziel odpowiedź końcową od sekcji rozumowania i przenoś odpowiedź końcową do dalszej historii rozmowy. Wybieraj tryb świadomie: spór o algorytm i krótkie przeredagowanie wymagają różnej ilości analizy. Przy włączonym rozumowaniu nawet miękka prośba o brak rozumowania zachowuje blok rozumowania; jego treść może być pusta. Twarde wyłączenie usuwa ten blok.
W procesach agentowych producent zaleca Qwen-Agent do szablonów narzędzi i parsowania. Narzędzia mogą obejmować podłączone usługi lub interpreter kodu; definiuje i wykonuje je aplikacja. Na przykład udostępnij asystentowi wyszukiwanie stanów magazynowych tylko do odczytu z udokumentowanymi polami i poproś o porównanie zwróconego stanu z dostarczonym zamówieniem. Określ przeznaczenie narzędzia, dopuszczalne argumenty, strukturę wyniku i granice uprawnień. Wymagaj, aby odpowiedź końcowa odróżniała proponowane działanie od potwierdzonego wyniku narzędzia. Możliwości modelu związane z narzędziami same nie powodują wykonania zewnętrznego działania. Przewodnik Qwen3 opisuje również równoległe i wieloetapowe wywołania narzędzi, z argumentami reprezentowanymi jako obiekty i wynikami zwracanymi do rozmowy.
Natywny kontekst wynosi 32,768 tokenów. Producent potwierdza 131,072 tokenów z rozszerzeniem YaRN; zależy to od konfiguracji, a statyczne skalowanie może wpływać na krótsze wejścia. Budżet kontekstu obejmuje zarówno żądanie, jak i wygenerowaną odpowiedź. W długiej specyfikacji wskaż sekcje istotne dla decyzji, oznacz je i zarezerwuj miejsce na odpowiedź, zamiast wypełniać cały budżet tekstem źródłowym. Karta zaleca 32,768 tokenów wyjściowych dla większości zapytań, zamiast ogłaszać tę wartość uniwersalnym limitem usługi. 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. Karta wyjaśnia też domyślny przydział pozycyjny 40,960 tokenów jako 8,192 na typowe polecenia plus 32,768 na wyjście; to wskazówka konfiguracji producenta, odrębna od natywnego kontekstu treningowego i wszelkich limitów endpointu.
Zalecane próbkowanie w trybie rozumowania to temperature 0.6, top-p 0.95, top-k 20 i min-p 0; tryb bez rozumowania używa 0.7, 0.8, 20 i 0. Producent zaleca dekodowanie z próbkowaniem i ostrzega, że dekodowanie zachłanne w trybie rozumowania może powodować powtórzenia. Wyższe kary obecności mogą też wprowadzać mieszanie języków. Ułatw sprawdzenie wyniku: poproś o nazwane pole odpowiedzi końcowej, tabelę decyzji z uzasadnieniami lub poprawkę kodu z przykładami. Sprawdź obliczenia względem dostarczonych liczb, uruchom proponowany kod w zamierzonym środowisku i przejrzyj wyniki narzędzi przed podjęciem działania.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3-235b-a22b | 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 $0.00114 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00342 / 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": "qwen3-235b-a22b", "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='qwen3-235b-a22b',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='qwen3-235b-a22b',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 qwen3-235b-a22b
Użyj ścieżek metod podanych powyżej.
qwen3-235b-a22bQwen3-235B-A22B łączy szczegółowe rozumowanie i bezpośrednie odpowiedzi tekstowe w jednym modelu mixture-of-experts. Używaj go do analizy matematycznej, kodu, wielojęzycznego pisania i asystentów pracujących z podłączonymi narzędziami.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-235B-A22B przenosi hybrydowe podejście Qwen3 do rozumowania do dużego modelu mixture-of-experts. Jego zdolności tekstowe obejmują problemy matematyczne i logiczne, generowanie kodu, twórcze pisanie, rozmowy oparte na rolach i wieloturowe wykonywanie instrukcji. Działa w ponad 100 językach i dialektach. W dyskusji o rozwoju produktu podaj wymagania, konkretny przykład i potrzebną decyzję: porównanie projektów, implementację lub wyjaśnienie użyteczne dla określonych odbiorców.
Model ma łącznie 235 miliardów parametrów i aktywuje 22 miliardy podczas przetwarzania. Jego architektura zawiera 128 ekspertów, wybiera ośmiu z nich i ma 94 warstwy. Te liczby identyfikują to wydanie; mniejsze modele Qwen3 i wersja FP8 mają odrębne tożsamości. Wejście i wyjście są tekstowe. Odpowiednim zadaniem inżynierskim jest porównanie dwóch algorytmów uzgadniania na tych samych przykładowych rekordach, wskazanie ograniczeń spełnianych przez każdy i zwrócenie wybranego algorytmu z przypadkami testowymi. Dostarcz rzeczywiste nazwy pól, zasady obsługi duplikatów i oczekiwane sumy, aby można było sprawdzić odpowiedź względem pierwotnego problemu.
Przygotuj żądanie jako wiadomości czatu, oddzielając materiał źródłowy od instrukcji. W pytaniu matematycznym dołącz pełną treść, dopuszczalne założenia i notację, a następnie poproś o odpowiedź końcową w określonej formie. W zadaniu z kodem dołącz odpowiednią funkcję, język, reprezentatywne dane wejściowe i zaobserwowany błąd. Poproś o najmniejszą uzasadnioną zmianę i opisz istniejące zachowanie, które musi zostać zachowane. Przy wielojęzycznym pisaniu podaj odbiorców i listę terminów zamiast prosić o ogólne tłumaczenie. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
Rozumowanie i brak rozumowania są trybami tego samego modelu. Szablon czatu producenta domyślnie włącza rozumowanie; twardy przełącznik może je wyłączyć. Gdy rozumowanie pozostaje włączone, /think i /no_think zapewniają sterowanie na poziomie tury, przy czym pierwszeństwo ma najnowsza instrukcja. Tryb wyłączony twardym przełącznikiem nie reaguje na te miękkie przełączniki. W interfejsie programistycznym oddziel odpowiedź końcową od sekcji rozumowania i przenoś odpowiedź końcową do dalszej historii rozmowy. Wybieraj tryb świadomie: spór o algorytm i krótkie przeredagowanie wymagają różnej ilości analizy. Przy włączonym rozumowaniu nawet miękka prośba o brak rozumowania zachowuje blok rozumowania; jego treść może być pusta. Twarde wyłączenie usuwa ten blok.
W procesach agentowych producent zaleca Qwen-Agent do szablonów narzędzi i parsowania. Narzędzia mogą obejmować podłączone usługi lub interpreter kodu; definiuje i wykonuje je aplikacja. Na przykład udostępnij asystentowi wyszukiwanie stanów magazynowych tylko do odczytu z udokumentowanymi polami i poproś o porównanie zwróconego stanu z dostarczonym zamówieniem. Określ przeznaczenie narzędzia, dopuszczalne argumenty, strukturę wyniku i granice uprawnień. Wymagaj, aby odpowiedź końcowa odróżniała proponowane działanie od potwierdzonego wyniku narzędzia. Możliwości modelu związane z narzędziami same nie powodują wykonania zewnętrznego działania. Przewodnik Qwen3 opisuje również równoległe i wieloetapowe wywołania narzędzi, z argumentami reprezentowanymi jako obiekty i wynikami zwracanymi do rozmowy.
Natywny kontekst wynosi 32,768 tokenów. Producent potwierdza 131,072 tokenów z rozszerzeniem YaRN; zależy to od konfiguracji, a statyczne skalowanie może wpływać na krótsze wejścia. Budżet kontekstu obejmuje zarówno żądanie, jak i wygenerowaną odpowiedź. W długiej specyfikacji wskaż sekcje istotne dla decyzji, oznacz je i zarezerwuj miejsce na odpowiedź, zamiast wypełniać cały budżet tekstem źródłowym. Karta zaleca 32,768 tokenów wyjściowych dla większości zapytań, zamiast ogłaszać tę wartość uniwersalnym limitem usługi. 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. Karta wyjaśnia też domyślny przydział pozycyjny 40,960 tokenów jako 8,192 na typowe polecenia plus 32,768 na wyjście; to wskazówka konfiguracji producenta, odrębna od natywnego kontekstu treningowego i wszelkich limitów endpointu.
Zalecane próbkowanie w trybie rozumowania to temperature 0.6, top-p 0.95, top-k 20 i min-p 0; tryb bez rozumowania używa 0.7, 0.8, 20 i 0. Producent zaleca dekodowanie z próbkowaniem i ostrzega, że dekodowanie zachłanne w trybie rozumowania może powodować powtórzenia. Wyższe kary obecności mogą też wprowadzać mieszanie języków. Ułatw sprawdzenie wyniku: poproś o nazwane pole odpowiedzi końcowej, tabelę decyzji z uzasadnieniami lub poprawkę kodu z przykładami. Sprawdź obliczenia względem dostarczonych liczb, uruchom proponowany kod w zamierzonym środowisku i przejrzyj wyniki narzędzi przed podjęciem działania.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3-235b-a22b | 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 $0.00114 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00342 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-235b-a22b', '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': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.