Qwen3-0.6B disponibiliza a interface textual híbrida Qwen3 num modelo denso de 0.6 mil milhões de parâmetros. As capacidades da família incluem seguimento de instruções, conversa multilingue, escrita criativa, interação baseada em papéis, matemática, código e raciocínio lógico. O raciocínio e a geração normal estão disponíveis nesta mesma versão. A dimensão compacta identifica o checkpoint, não um formato de entrada diferente nem um nome substituto de um modelo Qwen3 maior.
O modelo tem 0.44 mil milhões de parâmetros fora dos embeddings e 28 camadas, com 16 cabeças de consulta e oito cabeças de chave/valor em atenção com consultas agrupadas. A ficha exata documenta 32,768 tokens de contexto. O texto recebido e o conteúdo gerado ocupam a sequência do modelo, pelo que deve reservar espaço para a resposta ao reunir instruções e exemplos. A ficha desta versão não documenta a configuração de contexto expandido incluída em algumas fichas de modelos Qwen3 maiores. Uma primeira tarefa prática é uma operação breve e bem definida cuja saída possa ser comparada diretamente com a fonte.
Utilize o modelo de formatação de conversa designado pelo fabricante para apresentar a instrução e o material. Por exemplo, forneça uma breve nota de serviço e peça uma mensagem dirigida ao cliente que mantenha inalterados a data da marcação e o nome do produto. Indique o leitor pretendido, o tom e o comprimento máximo pedido. Numa tarefa de seleção de rótulos, liste os rótulos permitidos com definições e inclua um exemplo ambíguo que mostre como comunicar incerteza. Peça apenas o rótulo e a passagem correspondente da entrada. São requisitos concretos de saída, não uma afirmação de que o modelo os satisfará sempre sem verificação. A integração publicada exige um ambiente de execução compatível com Qwen3; a ficha avisa que versões de Transformers inferiores a 4.51.0 não reconhecem a arquitetura necessária.
O modelo de formatação fornecido usa raciocínio por predefinição. Uma opção de configuração que desative o raciocínio suprime essa secção; se o raciocínio permanecer ativo, /think e /no_think podem controlar o modo entre turnos, de acordo com a instrução mais recente. A desativação através dessa opção de configuração tem prioridade sobre esses comandos por turno. Selecione a definição adequada à operação: uma alteração simples de redação aprovada pode usar uma resposta direta, enquanto explicar por que se aplica uma condição pode exigir raciocínio. Guarde a resposta final, em vez de uma secção anterior de raciocínio, no histórico da conversa. Com o raciocínio ativo, mesmo um pedido para não raciocinar feito através de um desses comandos mantém um bloco de raciocínio, cujo conteúdo pode estar vazio. A desativação através da opção de configuração remove esse bloco.
A ficha descreve a utilização em agentes com ferramentas e recomenda Qwen-Agent para modelos de formatação e análise. Num pequeno assistente de glossário, a aplicação pode expor uma consulta só de leitura, validar os seus argumentos, executá-la e devolver a entrada. O modelo pode então explicar o termo no estilo pedido pelo utilizador. Defina antecipadamente o resultado da ferramenta e a alternativa para uma entrada inexistente. Um pedido gerado de chamada a ferramenta deve ser tratado como pedido, continuando a aplicação responsável pela execução e pelas provas devolvidas. O guia Qwen3 também descreve chamadas paralelas e de várias etapas, com argumentos representados como objetos e resultados devolvidos à conversa.
Os comprimentos de saída publicados no guia de início rápido e nas boas práticas são orientações de geração, não um limite de API separado e garantido. Numa operação focada, escolha um registo final compacto, como uma frase reformulada acompanhada dos nomes inalterados ou um rótulo com o texto que o sustenta. Verifique esse registo face ao material fornecido. Se a tarefa evoluir para uma explicação longa, avalie o resultado mais extenso no mesmo tipo de entrada real, em vez de presumir que a identidade compacta do modelo estabelece a sua exatidão ou qualidade de resposta. Na explicação dos comprimentos de treino, a documentação Qwen3 aborda mensagens do assistente com 38,912 tokens no modo de raciocínio e 16,384 no modo sem raciocínio, e recomenda avaliar a qualidade de gerações mais longas. Estes valores são distintos da janela de contexto global e não constituem um limite rígido específico de um endpoint.
Esta ficha exata acrescenta conselhos para repetição significativa: utilize a configuração de amostragem recomendada e considere presence_penalty 1.5. Penalizações mais fortes podem causar mistura de idiomas ou uma redução de desempenho. O modo de raciocínio está associado a temperature 0.6, top-p 0.95, top-k 20 e min-p 0; o modo sem raciocínio a temperature 0.7, top-p 0.8, top-k 20 e min-p 0. O fabricante desaconselha descodificação gulosa no modo de raciocínio. Inspecione frases repetidas, nomes preservados e o rótulo selecionado; rejeite um registo malformado em vez de tratar prosa legível como prova de que o formato exigido foi cumprido.
", "aboutText": "Qwen3-0.6B disponibiliza a interface textual híbrida Qwen3 num modelo denso de 0.6 mil milhões de parâmetros. As capacidades da família incluem seguimento de instruções, conversa multilingue, escrita criativa, interação baseada em papéis, matemática, código e raciocínio lógico. O raciocínio e a geração normal estão disponíveis nesta mesma versão. A dimensão compacta identifica o checkpoint, não um formato de entrada diferente nem um nome substituto de um modelo Qwen3 maior.\n\nO modelo tem 0.44 mil milhões de parâmetros fora dos embeddings e 28 camadas, com 16 cabeças de consulta e oito cabeças de chave/valor em atenção com consultas agrupadas. A ficha exata documenta 32,768 tokens de contexto. O texto recebido e o conteúdo gerado ocupam a sequência do modelo, pelo que deve reservar espaço para a resposta ao reunir instruções e exemplos. A ficha desta versão não documenta a configuração de contexto expandido incluída em algumas fichas de modelos Qwen3 maiores. Uma primeira tarefa prática é uma operação breve e bem definida cuja saída possa ser comparada diretamente com a fonte.\n\nUtilize o modelo de formatação de conversa designado pelo fabricante para apresentar a instrução e o material. Por exemplo, forneça uma breve nota de serviço e peça uma mensagem dirigida ao cliente que mantenha inalterados a data da marcação e o nome do produto. Indique o leitor pretendido, o tom e o comprimento máximo pedido. Numa tarefa de seleção de rótulos, liste os rótulos permitidos com definições e inclua um exemplo ambíguo que mostre como comunicar incerteza. Peça apenas o rótulo e a passagem correspondente da entrada. São requisitos concretos de saída, não uma afirmação de que o modelo os satisfará sempre sem verificação. A integração publicada exige um ambiente de execução compatível com Qwen3; a ficha avisa que versões de Transformers inferiores a 4.51.0 não reconhecem a arquitetura necessária.\n\nO modelo de formatação fornecido usa raciocínio por predefinição. Uma opção de configuração que desative o raciocínio suprime essa secção; se o raciocínio permanecer ativo, /think e /no_think podem controlar o modo entre turnos, de acordo com a instrução mais recente. A desativação através dessa opção de configuração tem prioridade sobre esses comandos por turno. Selecione a definição adequada à operação: uma alteração simples de redação aprovada pode usar uma resposta direta, enquanto explicar por que se aplica uma condição pode exigir raciocínio. Guarde a resposta final, em vez de uma secção anterior de raciocínio, no histórico da conversa. Com o raciocínio ativo, mesmo um pedido para não raciocinar feito através de um desses comandos mantém um bloco de raciocínio, cujo conteúdo pode estar vazio. A desativação através da opção de configuração remove esse bloco.\n\nA ficha descreve a utilização em agentes com ferramentas e recomenda Qwen-Agent para modelos de formatação e análise. Num pequeno assistente de glossário, a aplicação pode expor uma consulta só de leitura, validar os seus argumentos, executá-la e devolver a entrada. O modelo pode então explicar o termo no estilo pedido pelo utilizador. Defina antecipadamente o resultado da ferramenta e a alternativa para uma entrada inexistente. Um pedido gerado de chamada a ferramenta deve ser tratado como pedido, continuando a aplicação responsável pela execução e pelas provas devolvidas. O guia Qwen3 também descreve chamadas paralelas e de várias etapas, com argumentos representados como objetos e resultados devolvidos à conversa.\n\nOs comprimentos de saída publicados no guia de início rápido e nas boas práticas são orientações de geração, não um limite de API separado e garantido. Numa operação focada, escolha um registo final compacto, como uma frase reformulada acompanhada dos nomes inalterados ou um rótulo com o texto que o sustenta. Verifique esse registo face ao material fornecido. Se a tarefa evoluir para uma explicação longa, avalie o resultado mais extenso no mesmo tipo de entrada real, em vez de presumir que a identidade compacta do modelo estabelece a sua exatidão ou qualidade de resposta. Na explicação dos comprimentos de treino, a documentação Qwen3 aborda mensagens do assistente com 38,912 tokens no modo de raciocínio e 16,384 no modo sem raciocínio, e recomenda avaliar a qualidade de gerações mais longas. Estes valores são distintos da janela de contexto global e não constituem um limite rígido específico de um endpoint.\n\nEsta ficha exata acrescenta conselhos para repetição significativa: utilize a configuração de amostragem recomendada e considere presence_penalty 1.5. Penalizações mais fortes podem causar mistura de idiomas ou uma redução de desempenho. O modo de raciocínio está associado a temperature 0.6, top-p 0.95, top-k 20 e min-p 0; o modo sem raciocínio a temperature 0.7, top-p 0.8, top-k 20 e min-p 0. O fabricante desaconselha descodificação gulosa no modo de raciocínio. Inspecione frases repetidas, nomes preservados e o rótulo selecionado; rejeite um registo malformado em vez de tratar prosa legível como prova de que o formato exigido foi cumprido.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B é a menor versão densa deste conjunto Qwen3, com 0.6 mil milhões de parâmetros. Processa instruções textuais e diálogo multilingue nos modos direto e de raciocínio, com um contexto de 32,768 tokens específico desta edição.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-0.6B disponibiliza a interface textual híbrida Qwen3 num modelo denso de 0.6 mil milhões de parâmetros. As capacidades da família incluem seguimento de instruções, conversa multilingue, escrita criativa, interação baseada em papéis, matemática, código e raciocínio lógico. O raciocínio e a geração normal estão disponíveis nesta mesma versão. A dimensão compacta identifica o checkpoint, não um formato de entrada diferente nem um nome substituto de um modelo Qwen3 maior.
O modelo tem 0.44 mil milhões de parâmetros fora dos embeddings e 28 camadas, com 16 cabeças de consulta e oito cabeças de chave/valor em atenção com consultas agrupadas. A ficha exata documenta 32,768 tokens de contexto. O texto recebido e o conteúdo gerado ocupam a sequência do modelo, pelo que deve reservar espaço para a resposta ao reunir instruções e exemplos. A ficha desta versão não documenta a configuração de contexto expandido incluída em algumas fichas de modelos Qwen3 maiores. Uma primeira tarefa prática é uma operação breve e bem definida cuja saída possa ser comparada diretamente com a fonte.
Utilize o modelo de formatação de conversa designado pelo fabricante para apresentar a instrução e o material. Por exemplo, forneça uma breve nota de serviço e peça uma mensagem dirigida ao cliente que mantenha inalterados a data da marcação e o nome do produto. Indique o leitor pretendido, o tom e o comprimento máximo pedido. Numa tarefa de seleção de rótulos, liste os rótulos permitidos com definições e inclua um exemplo ambíguo que mostre como comunicar incerteza. Peça apenas o rótulo e a passagem correspondente da entrada. São requisitos concretos de saída, não uma afirmação de que o modelo os satisfará sempre sem verificação. A integração publicada exige um ambiente de execução compatível com Qwen3; a ficha avisa que versões de Transformers inferiores a 4.51.0 não reconhecem a arquitetura necessária.
O modelo de formatação fornecido usa raciocínio por predefinição. Uma opção de configuração que desative o raciocínio suprime essa secção; se o raciocínio permanecer ativo, /think e /no_think podem controlar o modo entre turnos, de acordo com a instrução mais recente. A desativação através dessa opção de configuração tem prioridade sobre esses comandos por turno. Selecione a definição adequada à operação: uma alteração simples de redação aprovada pode usar uma resposta direta, enquanto explicar por que se aplica uma condição pode exigir raciocínio. Guarde a resposta final, em vez de uma secção anterior de raciocínio, no histórico da conversa. Com o raciocínio ativo, mesmo um pedido para não raciocinar feito através de um desses comandos mantém um bloco de raciocínio, cujo conteúdo pode estar vazio. A desativação através da opção de configuração remove esse bloco.
A ficha descreve a utilização em agentes com ferramentas e recomenda Qwen-Agent para modelos de formatação e análise. Num pequeno assistente de glossário, a aplicação pode expor uma consulta só de leitura, validar os seus argumentos, executá-la e devolver a entrada. O modelo pode então explicar o termo no estilo pedido pelo utilizador. Defina antecipadamente o resultado da ferramenta e a alternativa para uma entrada inexistente. Um pedido gerado de chamada a ferramenta deve ser tratado como pedido, continuando a aplicação responsável pela execução e pelas provas devolvidas. O guia Qwen3 também descreve chamadas paralelas e de várias etapas, com argumentos representados como objetos e resultados devolvidos à conversa.
Os comprimentos de saída publicados no guia de início rápido e nas boas práticas são orientações de geração, não um limite de API separado e garantido. Numa operação focada, escolha um registo final compacto, como uma frase reformulada acompanhada dos nomes inalterados ou um rótulo com o texto que o sustenta. Verifique esse registo face ao material fornecido. Se a tarefa evoluir para uma explicação longa, avalie o resultado mais extenso no mesmo tipo de entrada real, em vez de presumir que a identidade compacta do modelo estabelece a sua exatidão ou qualidade de resposta. Na explicação dos comprimentos de treino, a documentação Qwen3 aborda mensagens do assistente com 38,912 tokens no modo de raciocínio e 16,384 no modo sem raciocínio, e recomenda avaliar a qualidade de gerações mais longas. Estes valores são distintos da janela de contexto global e não constituem um limite rígido específico de um endpoint.
Esta ficha exata acrescenta conselhos para repetição significativa: utilize a configuração de amostragem recomendada e considere presence_penalty 1.5. Penalizações mais fortes podem causar mistura de idiomas ou uma redução de desempenho. O modo de raciocínio está associado a temperature 0.6, top-p 0.95, top-k 20 e min-p 0; o modo sem raciocínio a temperature 0.7, top-p 0.8, top-k 20 e min-p 0. O fabricante desaconselha descodificação gulosa no modo de raciocínio. Inspecione frases repetidas, nomes preservados e o rótulo selecionado; rejeite um registo malformado em vez de tratar prosa legível como prova de que o formato exigido foi cumprido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen3-0.6b | 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.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0001 / 1K tokens Saída · Tokens de saída $0.001 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-0.6b", "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='qwen3-0.6b',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='qwen3-0.6b',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 qwen3-0.6b
Use os caminhos dos métodos indicados acima.
qwen3-0.6bQwen3-0.6B é a menor versão densa deste conjunto Qwen3, com 0.6 mil milhões de parâmetros. Processa instruções textuais e diálogo multilingue nos modos direto e de raciocínio, com um contexto de 32,768 tokens específico desta edição.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-0.6B disponibiliza a interface textual híbrida Qwen3 num modelo denso de 0.6 mil milhões de parâmetros. As capacidades da família incluem seguimento de instruções, conversa multilingue, escrita criativa, interação baseada em papéis, matemática, código e raciocínio lógico. O raciocínio e a geração normal estão disponíveis nesta mesma versão. A dimensão compacta identifica o checkpoint, não um formato de entrada diferente nem um nome substituto de um modelo Qwen3 maior.
O modelo tem 0.44 mil milhões de parâmetros fora dos embeddings e 28 camadas, com 16 cabeças de consulta e oito cabeças de chave/valor em atenção com consultas agrupadas. A ficha exata documenta 32,768 tokens de contexto. O texto recebido e o conteúdo gerado ocupam a sequência do modelo, pelo que deve reservar espaço para a resposta ao reunir instruções e exemplos. A ficha desta versão não documenta a configuração de contexto expandido incluída em algumas fichas de modelos Qwen3 maiores. Uma primeira tarefa prática é uma operação breve e bem definida cuja saída possa ser comparada diretamente com a fonte.
Utilize o modelo de formatação de conversa designado pelo fabricante para apresentar a instrução e o material. Por exemplo, forneça uma breve nota de serviço e peça uma mensagem dirigida ao cliente que mantenha inalterados a data da marcação e o nome do produto. Indique o leitor pretendido, o tom e o comprimento máximo pedido. Numa tarefa de seleção de rótulos, liste os rótulos permitidos com definições e inclua um exemplo ambíguo que mostre como comunicar incerteza. Peça apenas o rótulo e a passagem correspondente da entrada. São requisitos concretos de saída, não uma afirmação de que o modelo os satisfará sempre sem verificação. A integração publicada exige um ambiente de execução compatível com Qwen3; a ficha avisa que versões de Transformers inferiores a 4.51.0 não reconhecem a arquitetura necessária.
O modelo de formatação fornecido usa raciocínio por predefinição. Uma opção de configuração que desative o raciocínio suprime essa secção; se o raciocínio permanecer ativo, /think e /no_think podem controlar o modo entre turnos, de acordo com a instrução mais recente. A desativação através dessa opção de configuração tem prioridade sobre esses comandos por turno. Selecione a definição adequada à operação: uma alteração simples de redação aprovada pode usar uma resposta direta, enquanto explicar por que se aplica uma condição pode exigir raciocínio. Guarde a resposta final, em vez de uma secção anterior de raciocínio, no histórico da conversa. Com o raciocínio ativo, mesmo um pedido para não raciocinar feito através de um desses comandos mantém um bloco de raciocínio, cujo conteúdo pode estar vazio. A desativação através da opção de configuração remove esse bloco.
A ficha descreve a utilização em agentes com ferramentas e recomenda Qwen-Agent para modelos de formatação e análise. Num pequeno assistente de glossário, a aplicação pode expor uma consulta só de leitura, validar os seus argumentos, executá-la e devolver a entrada. O modelo pode então explicar o termo no estilo pedido pelo utilizador. Defina antecipadamente o resultado da ferramenta e a alternativa para uma entrada inexistente. Um pedido gerado de chamada a ferramenta deve ser tratado como pedido, continuando a aplicação responsável pela execução e pelas provas devolvidas. O guia Qwen3 também descreve chamadas paralelas e de várias etapas, com argumentos representados como objetos e resultados devolvidos à conversa.
Os comprimentos de saída publicados no guia de início rápido e nas boas práticas são orientações de geração, não um limite de API separado e garantido. Numa operação focada, escolha um registo final compacto, como uma frase reformulada acompanhada dos nomes inalterados ou um rótulo com o texto que o sustenta. Verifique esse registo face ao material fornecido. Se a tarefa evoluir para uma explicação longa, avalie o resultado mais extenso no mesmo tipo de entrada real, em vez de presumir que a identidade compacta do modelo estabelece a sua exatidão ou qualidade de resposta. Na explicação dos comprimentos de treino, a documentação Qwen3 aborda mensagens do assistente com 38,912 tokens no modo de raciocínio e 16,384 no modo sem raciocínio, e recomenda avaliar a qualidade de gerações mais longas. Estes valores são distintos da janela de contexto global e não constituem um limite rígido específico de um endpoint.
Esta ficha exata acrescenta conselhos para repetição significativa: utilize a configuração de amostragem recomendada e considere presence_penalty 1.5. Penalizações mais fortes podem causar mistura de idiomas ou uma redução de desempenho. O modo de raciocínio está associado a temperature 0.6, top-p 0.95, top-k 20 e min-p 0; o modo sem raciocínio a temperature 0.7, top-p 0.8, top-k 20 e min-p 0. O fabricante desaconselha descodificação gulosa no modo de raciocínio. Inspecione frases repetidas, nomes preservados e o rótulo selecionado; rejeite um registo malformado em vez de tratar prosa legível como prova de que o formato exigido foi cumprido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen3-0.6b | 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.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0001 / 1K tokens Saída · Tokens de saída $0.001 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-0.6b', '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': 'qwen3-0.6b', '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 qwen3-0.6b
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.