Destaques Qwen3.8: raciocínio textual sustentado
Qwen3.8-2.4T-A95B é o checkpoint aberto Qwen3.8 para raciocínio textual. A Qwen descreve melhorias em programação, trabalho profissional, investigação e tarefas de agentes de longo horizonte, incluindo planeamento e utilização do retorno do ambiente. Recebe texto e devolve texto. O fabricante separa-o explicitamente da oferta gerida Qwen3.8-Max: entrada visual e suporte sem raciocínio são funcionalidades adicionais dessa oferta, não capacidades deste checkpoint aberto exato.
Numa tarefa de programação, forneça os módulos relevantes, o requisito e uma entrada que exponha o comportamento atual. Peça uma alteração explicada e um artefacto final inspecionável. Num relatório de investigação ou profissional, forneça as provas, as secções exigidas e os critérios de avaliação e peça ao modelo que distinga conclusões sustentadas de pressupostos. São aplicações práticas do âmbito documentado, não promessas de código executado ou conclusões certificadas por especialistas.
Visão geral do modelo
O modelo de mistura esparsa de especialistas tem 2.4 biliões de parâmetros totais e ativa 95 mil milhões. Tem 92 camadas e 512 especialistas encaminhados, selecionando dez especialistas encaminhados com um especialista partilhado. Os blocos híbridos combinam Gated DeltaNet e atenção com portas com camadas de especialistas, num padrão de três para um. A previsão de múltiplos tokens faz parte do treino. A contagem de parâmetros ativados não é a dimensão total do checkpoint, e uma contagem total elevada não estabelece uma garantia de tempo de resposta.
O contexto nativo é de 262,144 tokens, com extensão documentada até 1,010,000. Isto difere do contexto predefinido de um milhão de tokens da referência Max gerida. Utilize o limite de sequência efetivamente configurado para texto de origem, histórico da conversa, raciocínio e resposta final, em vez de presumir que todos os valores maiores se aplicam simultaneamente.
Utilizar o checkpoint exato de raciocínio
O raciocínio é obrigatório em todas as interações e não pode ser desativado. A saída documentada começa com um bloco de raciocínio antes do texto final. reasoning_effort suporta xhigh, medium e low; xhigh é a predefinição. Low reduz a profundidade pretendida, mas continua a ser um modo de raciocínio. Um pedido de resposta final concisa pode controlar o entregável desejado sem converter este modelo numa edição sem raciocínio.
preserve_thinking está ativo por predefinição. Conservar o raciocínio de turnos anteriores ajuda uma tarefa iterativa a transportar o contexto das decisões. Mantenha correções, resultados das ferramentas e resposta final associados aos turnos que os produziram. Este modelo deve seguir o seu próprio contrato de histórico, em vez de herdar conselhos antigos para remover todos os blocos de raciocínio das mensagens anteriores. A exposição exata dos controlos de esforço e preservação depende da interface que implementa a receita do checkpoint.
Ambientes de execução e retorno do ambiente
A Qwen descreve compatibilidade com ambientes de desenvolvimento e ferramentas. Uma tarefa prolongada pode ser expressa como objetivo, ações permitidas e provas de conclusão; a aplicação pode então fornecer observações da inspeção ou execução. Peça ao modelo que explique como cada novo resultado altera o plano e comunique o que continua por resolver. Planear uma ação e receber um resultado real são partes diferentes desse fluxo.
Os exemplos Max geridos da ficha incluem ferramentas integradas adicionais. Não devem ser convertidos em pesquisa automática na Web, execução de código ou entrada visual para este modelo aberto. O seu papel útil é o de componente de raciocínio textual num fluxo ligado; as ferramentas e os efeitos externos pertencem à aplicação que os disponibiliza.
Recomendações de geração
O fabricante recomenda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 0 e penalização de repetição 1.0. Quando suportada, uma penalização de presença entre zero e dois pode reduzir texto repetido, mas valores superiores podem misturar idiomas ou reduzir ligeiramente a qualidade. O suporte de parâmetros varia com a implementação.
Num fluxo configurado de um milhão de tokens com limites separados para raciocínio e resposta final, a Qwen recomenda 262,144 tokens para raciocínio e 131,072 para a resposta final. São limites condicionais, não máximos rígidos estabelecidos separadamente nem orçamentos que caibam juntos no contexto nativo de 262,144 tokens. Aloque espaço suficiente para um artefacto completo e peça um resultado final fácil de encontrar após o raciocínio.
Limites práticos
Este checkpoint não recebe imagens, áudio ou vídeo. Quando necessário, converta as provas relevantes numa representação textual adequada através de um fluxo separado, conservando identificadores que permitam verificar a resposta. A ficha indica contexto estendido, mas não fornece uma receita completa de extensão por tarefa nem um limite universal de multimédia para este modelo só de texto. Preserve a identidade e a configuração exatas do checkpoint, confira cálculos e propostas de código com a fonte e trate o artefacto final como um resultado a rever, em vez de prova de que uma tarefa externa inteira foi concluída.
", "aboutText": "Destaques Qwen3.8: raciocínio textual sustentado\n\nQwen3.8-2.4T-A95B é o checkpoint aberto Qwen3.8 para raciocínio textual. A Qwen descreve melhorias em programação, trabalho profissional, investigação e tarefas de agentes de longo horizonte, incluindo planeamento e utilização do retorno do ambiente. Recebe texto e devolve texto. O fabricante separa-o explicitamente da oferta gerida Qwen3.8-Max: entrada visual e suporte sem raciocínio são funcionalidades adicionais dessa oferta, não capacidades deste checkpoint aberto exato.\n\nNuma tarefa de programação, forneça os módulos relevantes, o requisito e uma entrada que exponha o comportamento atual. Peça uma alteração explicada e um artefacto final inspecionável. Num relatório de investigação ou profissional, forneça as provas, as secções exigidas e os critérios de avaliação e peça ao modelo que distinga conclusões sustentadas de pressupostos. São aplicações práticas do âmbito documentado, não promessas de código executado ou conclusões certificadas por especialistas.\n\nVisão geral do modelo\n\nO modelo de mistura esparsa de especialistas tem 2.4 biliões de parâmetros totais e ativa 95 mil milhões. Tem 92 camadas e 512 especialistas encaminhados, selecionando dez especialistas encaminhados com um especialista partilhado. Os blocos híbridos combinam Gated DeltaNet e atenção com portas com camadas de especialistas, num padrão de três para um. A previsão de múltiplos tokens faz parte do treino. A contagem de parâmetros ativados não é a dimensão total do checkpoint, e uma contagem total elevada não estabelece uma garantia de tempo de resposta.\n\nO contexto nativo é de 262,144 tokens, com extensão documentada até 1,010,000. Isto difere do contexto predefinido de um milhão de tokens da referência Max gerida. Utilize o limite de sequência efetivamente configurado para texto de origem, histórico da conversa, raciocínio e resposta final, em vez de presumir que todos os valores maiores se aplicam simultaneamente.\n\nUtilizar o checkpoint exato de raciocínio\n\nO raciocínio é obrigatório em todas as interações e não pode ser desativado. A saída documentada começa com um bloco de raciocínio antes do texto final. reasoning_effort suporta xhigh, medium e low; xhigh é a predefinição. Low reduz a profundidade pretendida, mas continua a ser um modo de raciocínio. Um pedido de resposta final concisa pode controlar o entregável desejado sem converter este modelo numa edição sem raciocínio.\n\npreserve_thinking está ativo por predefinição. Conservar o raciocínio de turnos anteriores ajuda uma tarefa iterativa a transportar o contexto das decisões. Mantenha correções, resultados das ferramentas e resposta final associados aos turnos que os produziram. Este modelo deve seguir o seu próprio contrato de histórico, em vez de herdar conselhos antigos para remover todos os blocos de raciocínio das mensagens anteriores. A exposição exata dos controlos de esforço e preservação depende da interface que implementa a receita do checkpoint.\n\nAmbientes de execução e retorno do ambiente\n\nA Qwen descreve compatibilidade com ambientes de desenvolvimento e ferramentas. Uma tarefa prolongada pode ser expressa como objetivo, ações permitidas e provas de conclusão; a aplicação pode então fornecer observações da inspeção ou execução. Peça ao modelo que explique como cada novo resultado altera o plano e comunique o que continua por resolver. Planear uma ação e receber um resultado real são partes diferentes desse fluxo.\n\nOs exemplos Max geridos da ficha incluem ferramentas integradas adicionais. Não devem ser convertidos em pesquisa automática na Web, execução de código ou entrada visual para este modelo aberto. O seu papel útil é o de componente de raciocínio textual num fluxo ligado; as ferramentas e os efeitos externos pertencem à aplicação que os disponibiliza.\n\nRecomendações de geração\n\nO fabricante recomenda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 0 e penalização de repetição 1.0. Quando suportada, uma penalização de presença entre zero e dois pode reduzir texto repetido, mas valores superiores podem misturar idiomas ou reduzir ligeiramente a qualidade. O suporte de parâmetros varia com a implementação.\n\nNum fluxo configurado de um milhão de tokens com limites separados para raciocínio e resposta final, a Qwen recomenda 262,144 tokens para raciocínio e 131,072 para a resposta final. São limites condicionais, não máximos rígidos estabelecidos separadamente nem orçamentos que caibam juntos no contexto nativo de 262,144 tokens. Aloque espaço suficiente para um artefacto completo e peça um resultado final fácil de encontrar após o raciocínio.\n\nLimites práticos\n\nEste checkpoint não recebe imagens, áudio ou vídeo. Quando necessário, converta as provas relevantes numa representação textual adequada através de um fluxo separado, conservando identificadores que permitam verificar a resposta. A ficha indica contexto estendido, mas não fornece uma receita completa de extensão por tarefa nem um limite universal de multimédia para este modelo só de texto. Preserve a identidade e a configuração exatas do checkpoint, confira cálculos e propostas de código com a fonte e trate o artefacto final como um resultado a rever, em vez de prova de que uma tarefa externa inteira foi concluída.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B é o modelo de raciocínio textual da Qwen com mistura esparsa de especialistas, 2.4 biliões de parâmetros totais e 95 mil milhões ativados. Este checkpoint aberto usa sempre raciocínio, suporta esforço de raciocínio ajustável e conserva o contexto de raciocínio para programação e tarefas profissionais prolongadas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Destaques Qwen3.8: raciocínio textual sustentado
Qwen3.8-2.4T-A95B é o checkpoint aberto Qwen3.8 para raciocínio textual. A Qwen descreve melhorias em programação, trabalho profissional, investigação e tarefas de agentes de longo horizonte, incluindo planeamento e utilização do retorno do ambiente. Recebe texto e devolve texto. O fabricante separa-o explicitamente da oferta gerida Qwen3.8-Max: entrada visual e suporte sem raciocínio são funcionalidades adicionais dessa oferta, não capacidades deste checkpoint aberto exato.
Numa tarefa de programação, forneça os módulos relevantes, o requisito e uma entrada que exponha o comportamento atual. Peça uma alteração explicada e um artefacto final inspecionável. Num relatório de investigação ou profissional, forneça as provas, as secções exigidas e os critérios de avaliação e peça ao modelo que distinga conclusões sustentadas de pressupostos. São aplicações práticas do âmbito documentado, não promessas de código executado ou conclusões certificadas por especialistas.
Visão geral do modelo
O modelo de mistura esparsa de especialistas tem 2.4 biliões de parâmetros totais e ativa 95 mil milhões. Tem 92 camadas e 512 especialistas encaminhados, selecionando dez especialistas encaminhados com um especialista partilhado. Os blocos híbridos combinam Gated DeltaNet e atenção com portas com camadas de especialistas, num padrão de três para um. A previsão de múltiplos tokens faz parte do treino. A contagem de parâmetros ativados não é a dimensão total do checkpoint, e uma contagem total elevada não estabelece uma garantia de tempo de resposta.
O contexto nativo é de 262,144 tokens, com extensão documentada até 1,010,000. Isto difere do contexto predefinido de um milhão de tokens da referência Max gerida. Utilize o limite de sequência efetivamente configurado para texto de origem, histórico da conversa, raciocínio e resposta final, em vez de presumir que todos os valores maiores se aplicam simultaneamente.
Utilizar o checkpoint exato de raciocínio
O raciocínio é obrigatório em todas as interações e não pode ser desativado. A saída documentada começa com um bloco de raciocínio antes do texto final. reasoning_effort suporta xhigh, medium e low; xhigh é a predefinição. Low reduz a profundidade pretendida, mas continua a ser um modo de raciocínio. Um pedido de resposta final concisa pode controlar o entregável desejado sem converter este modelo numa edição sem raciocínio.
preserve_thinking está ativo por predefinição. Conservar o raciocínio de turnos anteriores ajuda uma tarefa iterativa a transportar o contexto das decisões. Mantenha correções, resultados das ferramentas e resposta final associados aos turnos que os produziram. Este modelo deve seguir o seu próprio contrato de histórico, em vez de herdar conselhos antigos para remover todos os blocos de raciocínio das mensagens anteriores. A exposição exata dos controlos de esforço e preservação depende da interface que implementa a receita do checkpoint.
Ambientes de execução e retorno do ambiente
A Qwen descreve compatibilidade com ambientes de desenvolvimento e ferramentas. Uma tarefa prolongada pode ser expressa como objetivo, ações permitidas e provas de conclusão; a aplicação pode então fornecer observações da inspeção ou execução. Peça ao modelo que explique como cada novo resultado altera o plano e comunique o que continua por resolver. Planear uma ação e receber um resultado real são partes diferentes desse fluxo.
Os exemplos Max geridos da ficha incluem ferramentas integradas adicionais. Não devem ser convertidos em pesquisa automática na Web, execução de código ou entrada visual para este modelo aberto. O seu papel útil é o de componente de raciocínio textual num fluxo ligado; as ferramentas e os efeitos externos pertencem à aplicação que os disponibiliza.
Recomendações de geração
O fabricante recomenda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 0 e penalização de repetição 1.0. Quando suportada, uma penalização de presença entre zero e dois pode reduzir texto repetido, mas valores superiores podem misturar idiomas ou reduzir ligeiramente a qualidade. O suporte de parâmetros varia com a implementação.
Num fluxo configurado de um milhão de tokens com limites separados para raciocínio e resposta final, a Qwen recomenda 262,144 tokens para raciocínio e 131,072 para a resposta final. São limites condicionais, não máximos rígidos estabelecidos separadamente nem orçamentos que caibam juntos no contexto nativo de 262,144 tokens. Aloque espaço suficiente para um artefacto completo e peça um resultado final fácil de encontrar após o raciocínio.
Limites práticos
Este checkpoint não recebe imagens, áudio ou vídeo. Quando necessário, converta as provas relevantes numa representação textual adequada através de um fluxo separado, conservando identificadores que permitam verificar a resposta. A ficha indica contexto estendido, mas não fornece uma receita completa de extensão por tarefa nem um limite universal de multimédia para este modelo só de texto. Preserve a identidade e a configuração exatas do checkpoint, confira cálculos e propostas de código com a fonte e trate o artefacto final como um resultado a rever, em vez de prova de que uma tarefa externa inteira foi concluída.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3.8-2.4t-a95b | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.004 / 1K tokens Saída · Tokens de saída $0.012 / 1K tokens Entrada · Leitura da cache $0.0005 / 1K tokens Entrada · Escrita na cache $0.005 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.004 / 1K tokens Saída · Tokens de saída $0.012 / 1K tokens Entrada · Leitura da cache $0.0005 / 1K tokens Entrada · Escrita na cache $0.005 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-2.4t-a95b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-2.4t-a95b',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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen/qwen3.8-2.4t-a95b
Use os caminhos dos métodos indicados acima.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B é o modelo de raciocínio textual da Qwen com mistura esparsa de especialistas, 2.4 biliões de parâmetros totais e 95 mil milhões ativados. Este checkpoint aberto usa sempre raciocínio, suporta esforço de raciocínio ajustável e conserva o contexto de raciocínio para programação e tarefas profissionais prolongadas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Destaques Qwen3.8: raciocínio textual sustentado
Qwen3.8-2.4T-A95B é o checkpoint aberto Qwen3.8 para raciocínio textual. A Qwen descreve melhorias em programação, trabalho profissional, investigação e tarefas de agentes de longo horizonte, incluindo planeamento e utilização do retorno do ambiente. Recebe texto e devolve texto. O fabricante separa-o explicitamente da oferta gerida Qwen3.8-Max: entrada visual e suporte sem raciocínio são funcionalidades adicionais dessa oferta, não capacidades deste checkpoint aberto exato.
Numa tarefa de programação, forneça os módulos relevantes, o requisito e uma entrada que exponha o comportamento atual. Peça uma alteração explicada e um artefacto final inspecionável. Num relatório de investigação ou profissional, forneça as provas, as secções exigidas e os critérios de avaliação e peça ao modelo que distinga conclusões sustentadas de pressupostos. São aplicações práticas do âmbito documentado, não promessas de código executado ou conclusões certificadas por especialistas.
Visão geral do modelo
O modelo de mistura esparsa de especialistas tem 2.4 biliões de parâmetros totais e ativa 95 mil milhões. Tem 92 camadas e 512 especialistas encaminhados, selecionando dez especialistas encaminhados com um especialista partilhado. Os blocos híbridos combinam Gated DeltaNet e atenção com portas com camadas de especialistas, num padrão de três para um. A previsão de múltiplos tokens faz parte do treino. A contagem de parâmetros ativados não é a dimensão total do checkpoint, e uma contagem total elevada não estabelece uma garantia de tempo de resposta.
O contexto nativo é de 262,144 tokens, com extensão documentada até 1,010,000. Isto difere do contexto predefinido de um milhão de tokens da referência Max gerida. Utilize o limite de sequência efetivamente configurado para texto de origem, histórico da conversa, raciocínio e resposta final, em vez de presumir que todos os valores maiores se aplicam simultaneamente.
Utilizar o checkpoint exato de raciocínio
O raciocínio é obrigatório em todas as interações e não pode ser desativado. A saída documentada começa com um bloco de raciocínio antes do texto final. reasoning_effort suporta xhigh, medium e low; xhigh é a predefinição. Low reduz a profundidade pretendida, mas continua a ser um modo de raciocínio. Um pedido de resposta final concisa pode controlar o entregável desejado sem converter este modelo numa edição sem raciocínio.
preserve_thinking está ativo por predefinição. Conservar o raciocínio de turnos anteriores ajuda uma tarefa iterativa a transportar o contexto das decisões. Mantenha correções, resultados das ferramentas e resposta final associados aos turnos que os produziram. Este modelo deve seguir o seu próprio contrato de histórico, em vez de herdar conselhos antigos para remover todos os blocos de raciocínio das mensagens anteriores. A exposição exata dos controlos de esforço e preservação depende da interface que implementa a receita do checkpoint.
Ambientes de execução e retorno do ambiente
A Qwen descreve compatibilidade com ambientes de desenvolvimento e ferramentas. Uma tarefa prolongada pode ser expressa como objetivo, ações permitidas e provas de conclusão; a aplicação pode então fornecer observações da inspeção ou execução. Peça ao modelo que explique como cada novo resultado altera o plano e comunique o que continua por resolver. Planear uma ação e receber um resultado real são partes diferentes desse fluxo.
Os exemplos Max geridos da ficha incluem ferramentas integradas adicionais. Não devem ser convertidos em pesquisa automática na Web, execução de código ou entrada visual para este modelo aberto. O seu papel útil é o de componente de raciocínio textual num fluxo ligado; as ferramentas e os efeitos externos pertencem à aplicação que os disponibiliza.
Recomendações de geração
O fabricante recomenda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 0 e penalização de repetição 1.0. Quando suportada, uma penalização de presença entre zero e dois pode reduzir texto repetido, mas valores superiores podem misturar idiomas ou reduzir ligeiramente a qualidade. O suporte de parâmetros varia com a implementação.
Num fluxo configurado de um milhão de tokens com limites separados para raciocínio e resposta final, a Qwen recomenda 262,144 tokens para raciocínio e 131,072 para a resposta final. São limites condicionais, não máximos rígidos estabelecidos separadamente nem orçamentos que caibam juntos no contexto nativo de 262,144 tokens. Aloque espaço suficiente para um artefacto completo e peça um resultado final fácil de encontrar após o raciocínio.
Limites práticos
Este checkpoint não recebe imagens, áudio ou vídeo. Quando necessário, converta as provas relevantes numa representação textual adequada através de um fluxo separado, conservando identificadores que permitam verificar a resposta. A ficha indica contexto estendido, mas não fornece uma receita completa de extensão por tarefa nem um limite universal de multimédia para este modelo só de texto. Preserve a identidade e a configuração exatas do checkpoint, confira cálculos e propostas de código com a fonte e trate o artefacto final como um resultado a rever, em vez de prova de que uma tarefa externa inteira foi concluída.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3.8-2.4t-a95b | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.004 / 1K tokens Saída · Tokens de saída $0.012 / 1K tokens Entrada · Leitura da cache $0.0005 / 1K tokens Entrada · Escrita na cache $0.005 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.004 / 1K tokens Saída · Tokens de saída $0.012 / 1K tokens Entrada · Leitura da cache $0.0005 / 1K tokens Entrada · Escrita na cache $0.005 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-2.4t-a95b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-2.4t-a95b', '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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen/qwen3.8-2.4t-a95b
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.