Destaques: um modelo concebido para agentes de programação
Qwen3-Coder-Next é um modelo de texto aberto, concebido especificamente para agentes de programação e fluxos de desenvolvimento. A Qwen descreve resolução de problemas de longo horizonte, utilização complexa de ferramentas e recuperação de falhas de execução, juntamente com adaptação a diferentes estruturas de apoio ao desenvolvimento. Aceita texto e produz texto, incluindo código, explicações e pedidos de ferramentas. Este checkpoint Coder-Next exato tem o seu próprio contrato non-thinking; as edições Thinking da família Next mais ampla não devem substituí-lo.
Para uma tarefa de desenvolvimento, forneça os ficheiros ou excertos relevantes, o comportamento pretendido e a entrada que demonstra um problema. Peça uma alteração editável e uma explicação ligada a essas condições. Para uma tarefa com vários passos, defina o objetivo, as ferramentas permitidas e as observações que demonstrariam a conclusão. Analise a alteração ao código proposta e a sua explicação face aos ficheiros fornecidos, à entrada que falha e aos critérios de conclusão.
Visão geral do modelo
O modelo tem 80 mil milhões de parâmetros no total e ativa três mil milhões. A estrutura híbrida de 48 camadas repete três camadas de especialistas Gated DeltaNet seguidas de uma camada de especialistas de atenção com gating. O fabricante indica 512 especialistas, dez especialistas ativados e um especialista partilhado. O pequeno número de parâmetros ativados é uma característica de cálculo do modelo esparso, não o tamanho do checkpoint completo.
O contexto nativo é de 262 144 tokens. Os exemplos do fabricante permitem um contexto menor, como 32 768, quando as restrições de memória impedem o funcionamento da configuração maior. O código-fonte, o histórico, as observações das ferramentas e o texto gerado devem caber no limite de sequência configurado. O cartão do modelo não estabelece uma extensão predefinida de um milhão de tokens para este checkpoint.
Utilizar a interface de texto non-thinking
Coder-Next suporta apenas o modo non-thinking e não gera blocos de thinking explícitos. Definir enable_thinking=False é desnecessário no exemplo do fabricante. Pode, ainda assim, explicar uma alteração ao código, discutir um algoritmo ou raciocinar em texto normal; non-thinking descreve o modo de saída, não proíbe uma explicação.
O guia de início rápido pede um algoritmo de ordenação e usa um orçamento de geração de 65 536 tokens. Esse valor é um orçamento de exemplo, não um limite absoluto de saída publicado separadamente. Indique o formato e as restrições do produto: a linguagem, as interfaces relevantes, o comportamento necessário e se a resposta deve conter uma alteração ao código, uma função completa ou uma explicação. Separe o resultado editável dos comentários para facilitar a sua análise.
Estruturas de apoio ao desenvolvimento e contexto
O fabricante destaca a compatibilidade com estruturas de agentes de estilo CLI e IDE, incluindo Qwen Code. Uma estrutura destas fornece o estado do projeto, as definições das ferramentas, as observações e o formato da conversa. Preserve esses dados de forma coerente durante uma tarefa com vários passos. Quando uma ferramenta comunicar uma verificação falhada, forneça o erro real e o código alterado relevante, em vez de apenas dizer ao modelo para tentar novamente.
O trabalho de longo horizonte beneficia de um estado visível da tarefa: o que foi observado, que alteração é proposta e que condição permanece por resolver. Uma observação de ferramenta é diferente de uma afirmação no texto gerado. A capacidade de recuperação de falhas do modelo não deve ser tratada como autorização automática para executar comandos nem como garantia de que todas as recuperações terão êxito.
Programação com agentes e chamadas de ferramentas
A Qwen documenta definições de ferramentas ao estilo de funções, com nomes, descrições, esquemas de entrada e campos obrigatórios. Forneça uma definição precisa e o significado esperado do valor devolvido. A aplicação executa uma ferramenta selecionada e devolve o seu resultado; o modelo usa depois esse resultado no passo seguinte. As chamadas de ferramentas, por si só, não concedem acesso a um sistema de ficheiros, a fontes atuais ou a um ambiente de execução.
Para um agente que edita um repositório, limite os ficheiros permitidos e o produto pedido. Um relatório final útil pode identificar os módulos afetados, explicar a alteração e listar os resultados reais devolvidos pelas verificações ligadas ao fluxo de trabalho. Mantenha distintos os comandos propostos, o código gerado e as operações concluídas. Estes são exemplos práticos de fluxos de trabalho baseados no âmbito documentado de desenvolvimento e ferramentas.
Recomendações de geração
O fabricante recomenda temperature 1,0, top_p 0,95 e top_k 40. Estas definições exatas diferem das de vários modelos de conversação Qwen e devem continuar a fazer parte da configuração própria do Coder-Next. A configuração publicada usa uma arquitetura de modelo de linguagem causal Qwen3-Next. Use de forma consistente o nome documentado deste checkpoint e o respetivo template de conversa ao longo do fluxo de programação.
Limitações relevantes
A entrada documentada é texto, pelo que capturas de ecrã, áudio ou vídeo necessitam de uma representação separada adequada antes deste fluxo de programação. O contexto nativo e os orçamentos de geração de exemplo são finitos; reduza o código sem relação com a tarefa e reserve espaço para o produto pedido. Verifique a sintaxe gerada, as interfaces, os casos-limite e as alterações propostas no fluxo de desenvolvimento real. A saída útil é um produto de código ou uma explicação que pode ser inspecionado, sustentado por elementos reais da tarefa, preservando a identidade exclusivamente de texto e non-thinking deste checkpoint.
", "aboutText": "Destaques: um modelo concebido para agentes de programação\n\nQwen3-Coder-Next é um modelo de texto aberto, concebido especificamente para agentes de programação e fluxos de desenvolvimento. A Qwen descreve resolução de problemas de longo horizonte, utilização complexa de ferramentas e recuperação de falhas de execução, juntamente com adaptação a diferentes estruturas de apoio ao desenvolvimento. Aceita texto e produz texto, incluindo código, explicações e pedidos de ferramentas. Este checkpoint Coder-Next exato tem o seu próprio contrato non-thinking; as edições Thinking da família Next mais ampla não devem substituí-lo.\n\nPara uma tarefa de desenvolvimento, forneça os ficheiros ou excertos relevantes, o comportamento pretendido e a entrada que demonstra um problema. Peça uma alteração editável e uma explicação ligada a essas condições. Para uma tarefa com vários passos, defina o objetivo, as ferramentas permitidas e as observações que demonstrariam a conclusão. Analise a alteração ao código proposta e a sua explicação face aos ficheiros fornecidos, à entrada que falha e aos critérios de conclusão.\n\nVisão geral do modelo\n\nO modelo tem 80 mil milhões de parâmetros no total e ativa três mil milhões. A estrutura híbrida de 48 camadas repete três camadas de especialistas Gated DeltaNet seguidas de uma camada de especialistas de atenção com gating. O fabricante indica 512 especialistas, dez especialistas ativados e um especialista partilhado. O pequeno número de parâmetros ativados é uma característica de cálculo do modelo esparso, não o tamanho do checkpoint completo.\n\nO contexto nativo é de 262 144 tokens. Os exemplos do fabricante permitem um contexto menor, como 32 768, quando as restrições de memória impedem o funcionamento da configuração maior. O código-fonte, o histórico, as observações das ferramentas e o texto gerado devem caber no limite de sequência configurado. O cartão do modelo não estabelece uma extensão predefinida de um milhão de tokens para este checkpoint.\n\nUtilizar a interface de texto non-thinking\n\nCoder-Next suporta apenas o modo non-thinking e não gera blocos de thinking explícitos. Definir enable_thinking=False é desnecessário no exemplo do fabricante. Pode, ainda assim, explicar uma alteração ao código, discutir um algoritmo ou raciocinar em texto normal; non-thinking descreve o modo de saída, não proíbe uma explicação.\n\nO guia de início rápido pede um algoritmo de ordenação e usa um orçamento de geração de 65 536 tokens. Esse valor é um orçamento de exemplo, não um limite absoluto de saída publicado separadamente. Indique o formato e as restrições do produto: a linguagem, as interfaces relevantes, o comportamento necessário e se a resposta deve conter uma alteração ao código, uma função completa ou uma explicação. Separe o resultado editável dos comentários para facilitar a sua análise.\n\nEstruturas de apoio ao desenvolvimento e contexto\n\nO fabricante destaca a compatibilidade com estruturas de agentes de estilo CLI e IDE, incluindo Qwen Code. Uma estrutura destas fornece o estado do projeto, as definições das ferramentas, as observações e o formato da conversa. Preserve esses dados de forma coerente durante uma tarefa com vários passos. Quando uma ferramenta comunicar uma verificação falhada, forneça o erro real e o código alterado relevante, em vez de apenas dizer ao modelo para tentar novamente.\n\nO trabalho de longo horizonte beneficia de um estado visível da tarefa: o que foi observado, que alteração é proposta e que condição permanece por resolver. Uma observação de ferramenta é diferente de uma afirmação no texto gerado. A capacidade de recuperação de falhas do modelo não deve ser tratada como autorização automática para executar comandos nem como garantia de que todas as recuperações terão êxito.\n\nProgramação com agentes e chamadas de ferramentas\n\nA Qwen documenta definições de ferramentas ao estilo de funções, com nomes, descrições, esquemas de entrada e campos obrigatórios. Forneça uma definição precisa e o significado esperado do valor devolvido. A aplicação executa uma ferramenta selecionada e devolve o seu resultado; o modelo usa depois esse resultado no passo seguinte. As chamadas de ferramentas, por si só, não concedem acesso a um sistema de ficheiros, a fontes atuais ou a um ambiente de execução.\n\nPara um agente que edita um repositório, limite os ficheiros permitidos e o produto pedido. Um relatório final útil pode identificar os módulos afetados, explicar a alteração e listar os resultados reais devolvidos pelas verificações ligadas ao fluxo de trabalho. Mantenha distintos os comandos propostos, o código gerado e as operações concluídas. Estes são exemplos práticos de fluxos de trabalho baseados no âmbito documentado de desenvolvimento e ferramentas.\n\nRecomendações de geração\n\nO fabricante recomenda temperature 1,0, top_p 0,95 e top_k 40. Estas definições exatas diferem das de vários modelos de conversação Qwen e devem continuar a fazer parte da configuração própria do Coder-Next. A configuração publicada usa uma arquitetura de modelo de linguagem causal Qwen3-Next. Use de forma consistente o nome documentado deste checkpoint e o respetivo template de conversa ao longo do fluxo de programação.\n\nLimitações relevantes\n\nA entrada documentada é texto, pelo que capturas de ecrã, áudio ou vídeo necessitam de uma representação separada adequada antes deste fluxo de programação. O contexto nativo e os orçamentos de geração de exemplo são finitos; reduza o código sem relação com a tarefa e reserve espaço para o produto pedido. Verifique a sintaxe gerada, as interfaces, os casos-limite e as alterações propostas no fluxo de desenvolvimento real. A saída útil é um produto de código ou uma explicação que pode ser inspecionado, sustentado por elementos reais da tarefa, preservando a identidade exclusivamente de texto e non-thinking deste checkpoint.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next é o modelo de agentes de programação da Qwen, exclusivamente de texto, com 80 mil milhões de parâmetros totais e 3 mil milhões ativados. Usa saída non-thinking, contexto nativo de 262 144 tokens e chamadas de ferramentas em fluxos de desenvolvimento, incluindo trabalho em vários passos e recuperação com base no feedback da execução.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Destaques: um modelo concebido para agentes de programação
Qwen3-Coder-Next é um modelo de texto aberto, concebido especificamente para agentes de programação e fluxos de desenvolvimento. A Qwen descreve resolução de problemas de longo horizonte, utilização complexa de ferramentas e recuperação de falhas de execução, juntamente com adaptação a diferentes estruturas de apoio ao desenvolvimento. Aceita texto e produz texto, incluindo código, explicações e pedidos de ferramentas. Este checkpoint Coder-Next exato tem o seu próprio contrato non-thinking; as edições Thinking da família Next mais ampla não devem substituí-lo.
Para uma tarefa de desenvolvimento, forneça os ficheiros ou excertos relevantes, o comportamento pretendido e a entrada que demonstra um problema. Peça uma alteração editável e uma explicação ligada a essas condições. Para uma tarefa com vários passos, defina o objetivo, as ferramentas permitidas e as observações que demonstrariam a conclusão. Analise a alteração ao código proposta e a sua explicação face aos ficheiros fornecidos, à entrada que falha e aos critérios de conclusão.
Visão geral do modelo
O modelo tem 80 mil milhões de parâmetros no total e ativa três mil milhões. A estrutura híbrida de 48 camadas repete três camadas de especialistas Gated DeltaNet seguidas de uma camada de especialistas de atenção com gating. O fabricante indica 512 especialistas, dez especialistas ativados e um especialista partilhado. O pequeno número de parâmetros ativados é uma característica de cálculo do modelo esparso, não o tamanho do checkpoint completo.
O contexto nativo é de 262 144 tokens. Os exemplos do fabricante permitem um contexto menor, como 32 768, quando as restrições de memória impedem o funcionamento da configuração maior. O código-fonte, o histórico, as observações das ferramentas e o texto gerado devem caber no limite de sequência configurado. O cartão do modelo não estabelece uma extensão predefinida de um milhão de tokens para este checkpoint.
Utilizar a interface de texto non-thinking
Coder-Next suporta apenas o modo non-thinking e não gera blocos de thinking explícitos. Definir enable_thinking=False é desnecessário no exemplo do fabricante. Pode, ainda assim, explicar uma alteração ao código, discutir um algoritmo ou raciocinar em texto normal; non-thinking descreve o modo de saída, não proíbe uma explicação.
O guia de início rápido pede um algoritmo de ordenação e usa um orçamento de geração de 65 536 tokens. Esse valor é um orçamento de exemplo, não um limite absoluto de saída publicado separadamente. Indique o formato e as restrições do produto: a linguagem, as interfaces relevantes, o comportamento necessário e se a resposta deve conter uma alteração ao código, uma função completa ou uma explicação. Separe o resultado editável dos comentários para facilitar a sua análise.
Estruturas de apoio ao desenvolvimento e contexto
O fabricante destaca a compatibilidade com estruturas de agentes de estilo CLI e IDE, incluindo Qwen Code. Uma estrutura destas fornece o estado do projeto, as definições das ferramentas, as observações e o formato da conversa. Preserve esses dados de forma coerente durante uma tarefa com vários passos. Quando uma ferramenta comunicar uma verificação falhada, forneça o erro real e o código alterado relevante, em vez de apenas dizer ao modelo para tentar novamente.
O trabalho de longo horizonte beneficia de um estado visível da tarefa: o que foi observado, que alteração é proposta e que condição permanece por resolver. Uma observação de ferramenta é diferente de uma afirmação no texto gerado. A capacidade de recuperação de falhas do modelo não deve ser tratada como autorização automática para executar comandos nem como garantia de que todas as recuperações terão êxito.
Programação com agentes e chamadas de ferramentas
A Qwen documenta definições de ferramentas ao estilo de funções, com nomes, descrições, esquemas de entrada e campos obrigatórios. Forneça uma definição precisa e o significado esperado do valor devolvido. A aplicação executa uma ferramenta selecionada e devolve o seu resultado; o modelo usa depois esse resultado no passo seguinte. As chamadas de ferramentas, por si só, não concedem acesso a um sistema de ficheiros, a fontes atuais ou a um ambiente de execução.
Para um agente que edita um repositório, limite os ficheiros permitidos e o produto pedido. Um relatório final útil pode identificar os módulos afetados, explicar a alteração e listar os resultados reais devolvidos pelas verificações ligadas ao fluxo de trabalho. Mantenha distintos os comandos propostos, o código gerado e as operações concluídas. Estes são exemplos práticos de fluxos de trabalho baseados no âmbito documentado de desenvolvimento e ferramentas.
Recomendações de geração
O fabricante recomenda temperature 1,0, top_p 0,95 e top_k 40. Estas definições exatas diferem das de vários modelos de conversação Qwen e devem continuar a fazer parte da configuração própria do Coder-Next. A configuração publicada usa uma arquitetura de modelo de linguagem causal Qwen3-Next. Use de forma consistente o nome documentado deste checkpoint e o respetivo template de conversa ao longo do fluxo de programação.
Limitações relevantes
A entrada documentada é texto, pelo que capturas de ecrã, áudio ou vídeo necessitam de uma representação separada adequada antes deste fluxo de programação. O contexto nativo e os orçamentos de geração de exemplo são finitos; reduza o código sem relação com a tarefa e reserve espaço para o produto pedido. Verifique a sintaxe gerada, as interfaces, os casos-limite e as alterações propostas no fluxo de desenvolvimento real. A saída útil é um produto de código ou uma explicação que pode ser inspecionado, sustentado por elementos reais da tarefa, preservando a identidade exclusivamente de texto e non-thinking deste checkpoint.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Saída · Tokens de saída $0.0016 / 1K tokens Entrada · Leitura da cache $0.00014 / 1K tokens Entrada · Escrita na cache — / 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 $0.00024 / 1K tokens Saída · Tokens de saída $0.0016 / 1K tokens Entrada · Leitura da cache $0.00014 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Use os caminhos dos métodos indicados acima.
qwen/qwen3-coder-nextQwen3-Coder-Next é o modelo de agentes de programação da Qwen, exclusivamente de texto, com 80 mil milhões de parâmetros totais e 3 mil milhões ativados. Usa saída non-thinking, contexto nativo de 262 144 tokens e chamadas de ferramentas em fluxos de desenvolvimento, incluindo trabalho em vários passos e recuperação com base no feedback da execução.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Destaques: um modelo concebido para agentes de programação
Qwen3-Coder-Next é um modelo de texto aberto, concebido especificamente para agentes de programação e fluxos de desenvolvimento. A Qwen descreve resolução de problemas de longo horizonte, utilização complexa de ferramentas e recuperação de falhas de execução, juntamente com adaptação a diferentes estruturas de apoio ao desenvolvimento. Aceita texto e produz texto, incluindo código, explicações e pedidos de ferramentas. Este checkpoint Coder-Next exato tem o seu próprio contrato non-thinking; as edições Thinking da família Next mais ampla não devem substituí-lo.
Para uma tarefa de desenvolvimento, forneça os ficheiros ou excertos relevantes, o comportamento pretendido e a entrada que demonstra um problema. Peça uma alteração editável e uma explicação ligada a essas condições. Para uma tarefa com vários passos, defina o objetivo, as ferramentas permitidas e as observações que demonstrariam a conclusão. Analise a alteração ao código proposta e a sua explicação face aos ficheiros fornecidos, à entrada que falha e aos critérios de conclusão.
Visão geral do modelo
O modelo tem 80 mil milhões de parâmetros no total e ativa três mil milhões. A estrutura híbrida de 48 camadas repete três camadas de especialistas Gated DeltaNet seguidas de uma camada de especialistas de atenção com gating. O fabricante indica 512 especialistas, dez especialistas ativados e um especialista partilhado. O pequeno número de parâmetros ativados é uma característica de cálculo do modelo esparso, não o tamanho do checkpoint completo.
O contexto nativo é de 262 144 tokens. Os exemplos do fabricante permitem um contexto menor, como 32 768, quando as restrições de memória impedem o funcionamento da configuração maior. O código-fonte, o histórico, as observações das ferramentas e o texto gerado devem caber no limite de sequência configurado. O cartão do modelo não estabelece uma extensão predefinida de um milhão de tokens para este checkpoint.
Utilizar a interface de texto non-thinking
Coder-Next suporta apenas o modo non-thinking e não gera blocos de thinking explícitos. Definir enable_thinking=False é desnecessário no exemplo do fabricante. Pode, ainda assim, explicar uma alteração ao código, discutir um algoritmo ou raciocinar em texto normal; non-thinking descreve o modo de saída, não proíbe uma explicação.
O guia de início rápido pede um algoritmo de ordenação e usa um orçamento de geração de 65 536 tokens. Esse valor é um orçamento de exemplo, não um limite absoluto de saída publicado separadamente. Indique o formato e as restrições do produto: a linguagem, as interfaces relevantes, o comportamento necessário e se a resposta deve conter uma alteração ao código, uma função completa ou uma explicação. Separe o resultado editável dos comentários para facilitar a sua análise.
Estruturas de apoio ao desenvolvimento e contexto
O fabricante destaca a compatibilidade com estruturas de agentes de estilo CLI e IDE, incluindo Qwen Code. Uma estrutura destas fornece o estado do projeto, as definições das ferramentas, as observações e o formato da conversa. Preserve esses dados de forma coerente durante uma tarefa com vários passos. Quando uma ferramenta comunicar uma verificação falhada, forneça o erro real e o código alterado relevante, em vez de apenas dizer ao modelo para tentar novamente.
O trabalho de longo horizonte beneficia de um estado visível da tarefa: o que foi observado, que alteração é proposta e que condição permanece por resolver. Uma observação de ferramenta é diferente de uma afirmação no texto gerado. A capacidade de recuperação de falhas do modelo não deve ser tratada como autorização automática para executar comandos nem como garantia de que todas as recuperações terão êxito.
Programação com agentes e chamadas de ferramentas
A Qwen documenta definições de ferramentas ao estilo de funções, com nomes, descrições, esquemas de entrada e campos obrigatórios. Forneça uma definição precisa e o significado esperado do valor devolvido. A aplicação executa uma ferramenta selecionada e devolve o seu resultado; o modelo usa depois esse resultado no passo seguinte. As chamadas de ferramentas, por si só, não concedem acesso a um sistema de ficheiros, a fontes atuais ou a um ambiente de execução.
Para um agente que edita um repositório, limite os ficheiros permitidos e o produto pedido. Um relatório final útil pode identificar os módulos afetados, explicar a alteração e listar os resultados reais devolvidos pelas verificações ligadas ao fluxo de trabalho. Mantenha distintos os comandos propostos, o código gerado e as operações concluídas. Estes são exemplos práticos de fluxos de trabalho baseados no âmbito documentado de desenvolvimento e ferramentas.
Recomendações de geração
O fabricante recomenda temperature 1,0, top_p 0,95 e top_k 40. Estas definições exatas diferem das de vários modelos de conversação Qwen e devem continuar a fazer parte da configuração própria do Coder-Next. A configuração publicada usa uma arquitetura de modelo de linguagem causal Qwen3-Next. Use de forma consistente o nome documentado deste checkpoint e o respetivo template de conversa ao longo do fluxo de programação.
Limitações relevantes
A entrada documentada é texto, pelo que capturas de ecrã, áudio ou vídeo necessitam de uma representação separada adequada antes deste fluxo de programação. O contexto nativo e os orçamentos de geração de exemplo são finitos; reduza o código sem relação com a tarefa e reserve espaço para o produto pedido. Verifique a sintaxe gerada, as interfaces, os casos-limite e as alterações propostas no fluxo de desenvolvimento real. A saída útil é um produto de código ou uma explicação que pode ser inspecionado, sustentado por elementos reais da tarefa, preservando a identidade exclusivamente de texto e non-thinking deste checkpoint.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Saída · Tokens de saída $0.0016 / 1K tokens Entrada · Leitura da cache $0.00014 / 1K tokens Entrada · Escrita na cache — / 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 $0.00024 / 1K tokens Saída · Tokens de saída $0.0016 / 1K tokens Entrada · Leitura da cache $0.00014 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.