Qwen3-8B to gęsty model językowy Qwen3 łączący rozumowanie ze zwykłym generowaniem tekstu. Reklamowane mocne strony obejmują matematykę, rozwiązywanie problemów logicznych, kod, twórcze pisanie, dialog oparty na rolach i wykonywanie instrukcji w wielu turach. Rodzina obsługuje ponad 100 języków i dialektów. Praktyczne zastosowanie to wielojęzyczny asystent wsparcia, który przekształca wiadomość klienta i dostarczony fragment regulaminu w użyteczną odpowiedź, zachowując nazwy produktów i wymagany ton.
Wydanie ma 8,2 miliarda parametrów, w tym 6,95 miliarda poza osadzeniami, oraz 36 warstw. Korzysta z uwagi grouped-query z 32 głowami zapytań i ośmioma głowami kluczy/wartości. To odrębny gęsty model, a nie model mixture-of-experts 235B pracujący z mniejszą liczbą ekspertów. Wejście robocze i wygenerowany wynik są tekstowe: tłumaczenie, wyjaśnienie, poprawiony dokument, plan lub program. Przed dodaniem kontekstu wybierz jasne zadanie. Przy odpowiedzi wsparcia podaj wiadomość klienta, właściwe zasady, zatwierdzoną terminologię i działanie, które czytelnik powinien podjąć; poproś o odpowiedź i osobną listę nadal brakujących faktów.
Początkowy proces producenta używa sekwencji wiadomości rozmowy i jawnego szablonu czatu. Przy pomocy w kodzie dołącz odpowiednią funkcję, wejście ujawniające problem, rzeczywiste wyjście i oczekiwany wynik. Poproś o poprawioną funkcję i przykłady oraz osobne wyjaśnienie zmienionego zachowania. Przy tłumaczeniu wskaż języki źródłowy i docelowy, odbiorców i terminy do zachowania. Takie wejścia ułatwiają porównanie tekstu z pierwotnym wymaganiem. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
Ten sam model obsługuje tryby z rozumowaniem i bez niego. W dostarczonym szablonie rozumowanie jest domyślnie włączone. Twarde wyłączenie usuwa sekcję rozumowania; gdy pozostaje ono włączone, /think i /no_think pozwalają zmieniać wybór między turami. Najnowsza taka instrukcja ma pierwszeństwo, a przełączniki na poziomie polecenia nie nadpisują twardego wyłączenia. W procesie produktowym stosuj tryb bezpośredni do krótkiej redakcji zatwierdzonej wiadomości, a rozumowanie do rozbieżności wymagającej wyjaśnienia. Oddzielaj odpowiedź końcową od rozumowania pośredniego i zachowuj tylko odpowiedź końcową w późniejszej historii rozmowy. Przy włączonym rozumowaniu nawet miękkie żądanie odpowiedzi bez rozumowania pozostawia blok rozumowania, którego zawartość może być pusta. Twarde wyłączenie usuwa ten blok.
Producent opisuje wywoływanie narzędzi i zaleca Qwen-Agent do zarządzania szablonami oraz parsowaniem. Aplikacja może dostarczać definicje narzędzi, wykonywać żądane wywołania i zwracać wyniki. Dla asystenta wsparcia wąskie wyszukanie zamówienia w trybie tylko do odczytu może dostarczyć potwierdzony stan wysyłki przed przygotowaniem odpowiedzi przez model. Określ dozwolone pola wyszukiwania i sposób zgłoszenia brakującego rekordu. Użyteczny rezultat to odpowiedź oparta na zwróconych informacjach, a nie niepoparte twierdzenie o powodzeniu zewnętrznej operacji. Przewodnik Qwen3 opisuje także równoległe i wieloetapowe wywołania, z argumentami jako obiektami i wynikami zwracanymi do rozmowy.
Karta podaje 32 768 tokenów natywnego kontekstu i 131 072 po rozszerzeniu YaRN. Zachowanie długiego kontekstu zależy więc od rzeczywistej konfiguracji. Statyczne YaRN może wpływać na krótsze żądania, dlatego karta zaleca włączanie go, gdy potrzebny jest długi kontekst. Wejście, historia rozmowy i wygenerowane wyjście zużywają wspólny budżet kontekstu. Oznaczaj długie sekcje źródłowe, usuwaj nieistotne powtórzenia i pozostawiaj miejsce na odpowiedź. Opublikowany przykład generowania i zalecenia wyjścia to wskazówki konfiguracyjne, a nie niezależny twardy maksymalny limit wyjścia. Dokumentacja Qwen3 w wyjaśnieniu długości treningu omawia wiadomości asystenta o długości 38 912 tokenów w trybie rozumowania i 16 384 bez niego, zalecając ocenianie jakości dłuższych generacji. Te liczby są odrębne od całego okna kontekstu i nie stanowią twardego limitu punktu końcowego. Karta wyjaśnia również domyślny przydział 40 960 pozycji jako 8192 na typowe polecenia i 32 768 na wyjście; są to wskazówki konfiguracji producenta, odrębne od natywnego kontekstu treningu i limitów punktu końcowego.
Dla trybu rozumowania zalecane próbkowanie to temperature 0.6, top-p 0.95, top-k 20 i min-p 0; bez rozumowania odpowiednio 0.7, 0.8, 20 i 0. Producent ostrzega, że zachłanne rozumowanie może tworzyć powtarzany tekst. Wyższe kary za obecność mogą ograniczać powtórzenia, czasem powodując mieszanie języków. Jawnie określ format końcowy, na przykład odpowiedź i następujący po niej obiekt JSON z nierozstrzygniętymi polami, a przed użyciem w aplikacji zweryfikuj ten obiekt. Sprawdzaj proponowany kod na dostarczonych przypadkach i oceniaj tłumaczenia pod kątem zachowania terminologii.
", "aboutText": "Qwen3-8B to gęsty model językowy Qwen3 łączący rozumowanie ze zwykłym generowaniem tekstu. Reklamowane mocne strony obejmują matematykę, rozwiązywanie problemów logicznych, kod, twórcze pisanie, dialog oparty na rolach i wykonywanie instrukcji w wielu turach. Rodzina obsługuje ponad 100 języków i dialektów. Praktyczne zastosowanie to wielojęzyczny asystent wsparcia, który przekształca wiadomość klienta i dostarczony fragment regulaminu w użyteczną odpowiedź, zachowując nazwy produktów i wymagany ton.\n\nWydanie ma 8,2 miliarda parametrów, w tym 6,95 miliarda poza osadzeniami, oraz 36 warstw. Korzysta z uwagi grouped-query z 32 głowami zapytań i ośmioma głowami kluczy/wartości. To odrębny gęsty model, a nie model mixture-of-experts 235B pracujący z mniejszą liczbą ekspertów. Wejście robocze i wygenerowany wynik są tekstowe: tłumaczenie, wyjaśnienie, poprawiony dokument, plan lub program. Przed dodaniem kontekstu wybierz jasne zadanie. Przy odpowiedzi wsparcia podaj wiadomość klienta, właściwe zasady, zatwierdzoną terminologię i działanie, które czytelnik powinien podjąć; poproś o odpowiedź i osobną listę nadal brakujących faktów.\n\nPoczątkowy proces producenta używa sekwencji wiadomości rozmowy i jawnego szablonu czatu. Przy pomocy w kodzie dołącz odpowiednią funkcję, wejście ujawniające problem, rzeczywiste wyjście i oczekiwany wynik. Poproś o poprawioną funkcję i przykłady oraz osobne wyjaśnienie zmienionego zachowania. Przy tłumaczeniu wskaż języki źródłowy i docelowy, odbiorców i terminy do zachowania. Takie wejścia ułatwiają porównanie tekstu z pierwotnym wymaganiem. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.\n\nTen sam model obsługuje tryby z rozumowaniem i bez niego. W dostarczonym szablonie rozumowanie jest domyślnie włączone. Twarde wyłączenie usuwa sekcję rozumowania; gdy pozostaje ono włączone, /think i /no_think pozwalają zmieniać wybór między turami. Najnowsza taka instrukcja ma pierwszeństwo, a przełączniki na poziomie polecenia nie nadpisują twardego wyłączenia. W procesie produktowym stosuj tryb bezpośredni do krótkiej redakcji zatwierdzonej wiadomości, a rozumowanie do rozbieżności wymagającej wyjaśnienia. Oddzielaj odpowiedź końcową od rozumowania pośredniego i zachowuj tylko odpowiedź końcową w późniejszej historii rozmowy. Przy włączonym rozumowaniu nawet miękkie żądanie odpowiedzi bez rozumowania pozostawia blok rozumowania, którego zawartość może być pusta. Twarde wyłączenie usuwa ten blok.\n\nProducent opisuje wywoływanie narzędzi i zaleca Qwen-Agent do zarządzania szablonami oraz parsowaniem. Aplikacja może dostarczać definicje narzędzi, wykonywać żądane wywołania i zwracać wyniki. Dla asystenta wsparcia wąskie wyszukanie zamówienia w trybie tylko do odczytu może dostarczyć potwierdzony stan wysyłki przed przygotowaniem odpowiedzi przez model. Określ dozwolone pola wyszukiwania i sposób zgłoszenia brakującego rekordu. Użyteczny rezultat to odpowiedź oparta na zwróconych informacjach, a nie niepoparte twierdzenie o powodzeniu zewnętrznej operacji. Przewodnik Qwen3 opisuje także równoległe i wieloetapowe wywołania, z argumentami jako obiektami i wynikami zwracanymi do rozmowy.\n\nKarta podaje 32 768 tokenów natywnego kontekstu i 131 072 po rozszerzeniu YaRN. Zachowanie długiego kontekstu zależy więc od rzeczywistej konfiguracji. Statyczne YaRN może wpływać na krótsze żądania, dlatego karta zaleca włączanie go, gdy potrzebny jest długi kontekst. Wejście, historia rozmowy i wygenerowane wyjście zużywają wspólny budżet kontekstu. Oznaczaj długie sekcje źródłowe, usuwaj nieistotne powtórzenia i pozostawiaj miejsce na odpowiedź. Opublikowany przykład generowania i zalecenia wyjścia to wskazówki konfiguracyjne, a nie niezależny twardy maksymalny limit wyjścia. Dokumentacja Qwen3 w wyjaśnieniu długości treningu omawia wiadomości asystenta o długości 38 912 tokenów w trybie rozumowania i 16 384 bez niego, zalecając ocenianie jakości dłuższych generacji. Te liczby są odrębne od całego okna kontekstu i nie stanowią twardego limitu punktu końcowego. Karta wyjaśnia również domyślny przydział 40 960 pozycji jako 8192 na typowe polecenia i 32 768 na wyjście; są to wskazówki konfiguracji producenta, odrębne od natywnego kontekstu treningu i limitów punktu końcowego.\n\nDla trybu rozumowania zalecane próbkowanie to temperature 0.6, top-p 0.95, top-k 20 i min-p 0; bez rozumowania odpowiednio 0.7, 0.8, 20 i 0. Producent ostrzega, że zachłanne rozumowanie może tworzyć powtarzany tekst. Wyższe kary za obecność mogą ograniczać powtórzenia, czasem powodując mieszanie języków. Jawnie określ format końcowy, na przykład odpowiedź i następujący po niej obiekt JSON z nierozstrzygniętymi polami, a przed użyciem w aplikacji zweryfikuj ten obiekt. Sprawdzaj proponowany kod na dostarczonych przypadkach i oceniaj tłumaczenia pod kątem zachowania terminologii.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
A bilingual reply grounded in a return policy\n\nDraft a German reply to this customer: 'Can I return my unused Aero Cup after ten days?' Policy P1: unused products can be returned within 14 days; the customer must provide the order reference. Keep Aero Cup unchanged and ask for the missing reference. Follow the reply with a short English note naming the facts used.A polite German customer reply and a brief English source-fact note.The reply preserves the unused condition and 14-day window, asks for the reference and does not invent refund timing.qwen3-8bQwen3-8B oferuje wielojęzyczne generowanie tekstu, programowanie i dwa tryby odpowiedzi w gęstym modelu o 8.2 miliarda parametrów. Używaj odpowiedzi bezpośrednich do codziennych rozmów, a trybu rozumowania do problemów wymagających dokładniejszej analizy.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-8B to gęsty model językowy Qwen3 łączący rozumowanie ze zwykłym generowaniem tekstu. Reklamowane mocne strony obejmują matematykę, rozwiązywanie problemów logicznych, kod, twórcze pisanie, dialog oparty na rolach i wykonywanie instrukcji w wielu turach. Rodzina obsługuje ponad 100 języków i dialektów. Praktyczne zastosowanie to wielojęzyczny asystent wsparcia, który przekształca wiadomość klienta i dostarczony fragment regulaminu w użyteczną odpowiedź, zachowując nazwy produktów i wymagany ton.
Wydanie ma 8,2 miliarda parametrów, w tym 6,95 miliarda poza osadzeniami, oraz 36 warstw. Korzysta z uwagi grouped-query z 32 głowami zapytań i ośmioma głowami kluczy/wartości. To odrębny gęsty model, a nie model mixture-of-experts 235B pracujący z mniejszą liczbą ekspertów. Wejście robocze i wygenerowany wynik są tekstowe: tłumaczenie, wyjaśnienie, poprawiony dokument, plan lub program. Przed dodaniem kontekstu wybierz jasne zadanie. Przy odpowiedzi wsparcia podaj wiadomość klienta, właściwe zasady, zatwierdzoną terminologię i działanie, które czytelnik powinien podjąć; poproś o odpowiedź i osobną listę nadal brakujących faktów.
Początkowy proces producenta używa sekwencji wiadomości rozmowy i jawnego szablonu czatu. Przy pomocy w kodzie dołącz odpowiednią funkcję, wejście ujawniające problem, rzeczywiste wyjście i oczekiwany wynik. Poproś o poprawioną funkcję i przykłady oraz osobne wyjaśnienie zmienionego zachowania. Przy tłumaczeniu wskaż języki źródłowy i docelowy, odbiorców i terminy do zachowania. Takie wejścia ułatwiają porównanie tekstu z pierwotnym wymaganiem. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
Ten sam model obsługuje tryby z rozumowaniem i bez niego. W dostarczonym szablonie rozumowanie jest domyślnie włączone. Twarde wyłączenie usuwa sekcję rozumowania; gdy pozostaje ono włączone, /think i /no_think pozwalają zmieniać wybór między turami. Najnowsza taka instrukcja ma pierwszeństwo, a przełączniki na poziomie polecenia nie nadpisują twardego wyłączenia. W procesie produktowym stosuj tryb bezpośredni do krótkiej redakcji zatwierdzonej wiadomości, a rozumowanie do rozbieżności wymagającej wyjaśnienia. Oddzielaj odpowiedź końcową od rozumowania pośredniego i zachowuj tylko odpowiedź końcową w późniejszej historii rozmowy. Przy włączonym rozumowaniu nawet miękkie żądanie odpowiedzi bez rozumowania pozostawia blok rozumowania, którego zawartość może być pusta. Twarde wyłączenie usuwa ten blok.
Producent opisuje wywoływanie narzędzi i zaleca Qwen-Agent do zarządzania szablonami oraz parsowaniem. Aplikacja może dostarczać definicje narzędzi, wykonywać żądane wywołania i zwracać wyniki. Dla asystenta wsparcia wąskie wyszukanie zamówienia w trybie tylko do odczytu może dostarczyć potwierdzony stan wysyłki przed przygotowaniem odpowiedzi przez model. Określ dozwolone pola wyszukiwania i sposób zgłoszenia brakującego rekordu. Użyteczny rezultat to odpowiedź oparta na zwróconych informacjach, a nie niepoparte twierdzenie o powodzeniu zewnętrznej operacji. Przewodnik Qwen3 opisuje także równoległe i wieloetapowe wywołania, z argumentami jako obiektami i wynikami zwracanymi do rozmowy.
Karta podaje 32 768 tokenów natywnego kontekstu i 131 072 po rozszerzeniu YaRN. Zachowanie długiego kontekstu zależy więc od rzeczywistej konfiguracji. Statyczne YaRN może wpływać na krótsze żądania, dlatego karta zaleca włączanie go, gdy potrzebny jest długi kontekst. Wejście, historia rozmowy i wygenerowane wyjście zużywają wspólny budżet kontekstu. Oznaczaj długie sekcje źródłowe, usuwaj nieistotne powtórzenia i pozostawiaj miejsce na odpowiedź. Opublikowany przykład generowania i zalecenia wyjścia to wskazówki konfiguracyjne, a nie niezależny twardy maksymalny limit wyjścia. Dokumentacja Qwen3 w wyjaśnieniu długości treningu omawia wiadomości asystenta o długości 38 912 tokenów w trybie rozumowania i 16 384 bez niego, zalecając ocenianie jakości dłuższych generacji. Te liczby są odrębne od całego okna kontekstu i nie stanowią twardego limitu punktu końcowego. Karta wyjaśnia również domyślny przydział 40 960 pozycji jako 8192 na typowe polecenia i 32 768 na wyjście; są to wskazówki konfiguracji producenta, odrębne od natywnego kontekstu treningu i limitów punktu końcowego.
Dla trybu rozumowania zalecane próbkowanie to temperature 0.6, top-p 0.95, top-k 20 i min-p 0; bez rozumowania odpowiednio 0.7, 0.8, 20 i 0. Producent ostrzega, że zachłanne rozumowanie może tworzyć powtarzany tekst. Wyższe kary za obecność mogą ograniczać powtórzenia, czasem powodując mieszanie języków. Jawnie określ format końcowy, na przykład odpowiedź i następujący po niej obiekt JSON z nierozstrzygniętymi polami, a przed użyciem w aplikacji zweryfikuj ten obiekt. Sprawdzaj proponowany kod na dostarczonych przypadkach i oceniaj tłumaczenia pod kątem zachowania terminologii.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3-8b | 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 $0.000144 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00144 / 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": "qwen3-8b", "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='qwen3-8b',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='qwen3-8b',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 qwen3-8b
Użyj ścieżek metod podanych powyżej.
qwen3-8bQwen3-8B oferuje wielojęzyczne generowanie tekstu, programowanie i dwa tryby odpowiedzi w gęstym modelu o 8.2 miliarda parametrów. Używaj odpowiedzi bezpośrednich do codziennych rozmów, a trybu rozumowania do problemów wymagających dokładniejszej analizy.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-8B to gęsty model językowy Qwen3 łączący rozumowanie ze zwykłym generowaniem tekstu. Reklamowane mocne strony obejmują matematykę, rozwiązywanie problemów logicznych, kod, twórcze pisanie, dialog oparty na rolach i wykonywanie instrukcji w wielu turach. Rodzina obsługuje ponad 100 języków i dialektów. Praktyczne zastosowanie to wielojęzyczny asystent wsparcia, który przekształca wiadomość klienta i dostarczony fragment regulaminu w użyteczną odpowiedź, zachowując nazwy produktów i wymagany ton.
Wydanie ma 8,2 miliarda parametrów, w tym 6,95 miliarda poza osadzeniami, oraz 36 warstw. Korzysta z uwagi grouped-query z 32 głowami zapytań i ośmioma głowami kluczy/wartości. To odrębny gęsty model, a nie model mixture-of-experts 235B pracujący z mniejszą liczbą ekspertów. Wejście robocze i wygenerowany wynik są tekstowe: tłumaczenie, wyjaśnienie, poprawiony dokument, plan lub program. Przed dodaniem kontekstu wybierz jasne zadanie. Przy odpowiedzi wsparcia podaj wiadomość klienta, właściwe zasady, zatwierdzoną terminologię i działanie, które czytelnik powinien podjąć; poproś o odpowiedź i osobną listę nadal brakujących faktów.
Początkowy proces producenta używa sekwencji wiadomości rozmowy i jawnego szablonu czatu. Przy pomocy w kodzie dołącz odpowiednią funkcję, wejście ujawniające problem, rzeczywiste wyjście i oczekiwany wynik. Poproś o poprawioną funkcję i przykłady oraz osobne wyjaśnienie zmienionego zachowania. Przy tłumaczeniu wskaż języki źródłowy i docelowy, odbiorców i terminy do zachowania. Takie wejścia ułatwiają porównanie tekstu z pierwotnym wymaganiem. Opublikowana integracja wymaga środowiska wykonawczego rozpoznającego Qwen3; karta ostrzega, że wersje Transformers poniżej 4.51.0 nie rozpoznają wymaganej architektury.
Ten sam model obsługuje tryby z rozumowaniem i bez niego. W dostarczonym szablonie rozumowanie jest domyślnie włączone. Twarde wyłączenie usuwa sekcję rozumowania; gdy pozostaje ono włączone, /think i /no_think pozwalają zmieniać wybór między turami. Najnowsza taka instrukcja ma pierwszeństwo, a przełączniki na poziomie polecenia nie nadpisują twardego wyłączenia. W procesie produktowym stosuj tryb bezpośredni do krótkiej redakcji zatwierdzonej wiadomości, a rozumowanie do rozbieżności wymagającej wyjaśnienia. Oddzielaj odpowiedź końcową od rozumowania pośredniego i zachowuj tylko odpowiedź końcową w późniejszej historii rozmowy. Przy włączonym rozumowaniu nawet miękkie żądanie odpowiedzi bez rozumowania pozostawia blok rozumowania, którego zawartość może być pusta. Twarde wyłączenie usuwa ten blok.
Producent opisuje wywoływanie narzędzi i zaleca Qwen-Agent do zarządzania szablonami oraz parsowaniem. Aplikacja może dostarczać definicje narzędzi, wykonywać żądane wywołania i zwracać wyniki. Dla asystenta wsparcia wąskie wyszukanie zamówienia w trybie tylko do odczytu może dostarczyć potwierdzony stan wysyłki przed przygotowaniem odpowiedzi przez model. Określ dozwolone pola wyszukiwania i sposób zgłoszenia brakującego rekordu. Użyteczny rezultat to odpowiedź oparta na zwróconych informacjach, a nie niepoparte twierdzenie o powodzeniu zewnętrznej operacji. Przewodnik Qwen3 opisuje także równoległe i wieloetapowe wywołania, z argumentami jako obiektami i wynikami zwracanymi do rozmowy.
Karta podaje 32 768 tokenów natywnego kontekstu i 131 072 po rozszerzeniu YaRN. Zachowanie długiego kontekstu zależy więc od rzeczywistej konfiguracji. Statyczne YaRN może wpływać na krótsze żądania, dlatego karta zaleca włączanie go, gdy potrzebny jest długi kontekst. Wejście, historia rozmowy i wygenerowane wyjście zużywają wspólny budżet kontekstu. Oznaczaj długie sekcje źródłowe, usuwaj nieistotne powtórzenia i pozostawiaj miejsce na odpowiedź. Opublikowany przykład generowania i zalecenia wyjścia to wskazówki konfiguracyjne, a nie niezależny twardy maksymalny limit wyjścia. Dokumentacja Qwen3 w wyjaśnieniu długości treningu omawia wiadomości asystenta o długości 38 912 tokenów w trybie rozumowania i 16 384 bez niego, zalecając ocenianie jakości dłuższych generacji. Te liczby są odrębne od całego okna kontekstu i nie stanowią twardego limitu punktu końcowego. Karta wyjaśnia również domyślny przydział 40 960 pozycji jako 8192 na typowe polecenia i 32 768 na wyjście; są to wskazówki konfiguracji producenta, odrębne od natywnego kontekstu treningu i limitów punktu końcowego.
Dla trybu rozumowania zalecane próbkowanie to temperature 0.6, top-p 0.95, top-k 20 i min-p 0; bez rozumowania odpowiednio 0.7, 0.8, 20 i 0. Producent ostrzega, że zachłanne rozumowanie może tworzyć powtarzany tekst. Wyższe kary za obecność mogą ograniczać powtórzenia, czasem powodując mieszanie języków. Jawnie określ format końcowy, na przykład odpowiedź i następujący po niej obiekt JSON z nierozstrzygniętymi polami, a przed użyciem w aplikacji zweryfikuj ten obiekt. Sprawdzaj proponowany kod na dostarczonych przypadkach i oceniaj tłumaczenia pod kątem zachowania terminologii.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen3-8b | 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 $0.000144 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00144 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen3-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-8b', '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': 'qwen3-8b', '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 qwen3-8b
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
A bilingual reply grounded in a return policy\n\nDraft a German reply to this customer: 'Can I return my unused Aero Cup after ten days?' Policy P1: unused products can be returned within 14 days; the customer must provide the order reference. Keep Aero Cup unchanged and ask for the missing reference. Follow the reply with a short English note naming the facts used.A polite German customer reply and a brief English source-fact note.The reply preserves the unused condition and 14-day window, asks for the reference and does not invent refund timing.