Qwen3-1.7B combina respostas diretas e raciocínio num pequeno modelo linguístico denso. O fabricante descreve seguimento de instruções, escrita criativa, conversas baseadas em papéis, matemática, problemas lógicos e código, com mais de 100 idiomas e dialetos suportados. Recebe texto e produz texto. Uma boa tarefa inicial é uma transformação rigorosamente especificada: converter uma mensagem breve de um cliente numa resposta cortês, explicar um termo a um leitor específico ou transformar uma nota de reunião numa lista de ações.
Esta versão exata tem 1.7 mil milhões de parâmetros, incluindo 1.4 mil milhões fora dos embeddings, e 28 camadas. A atenção com consultas agrupadas utiliza 16 cabeças de consulta e oito cabeças de chave/valor. A sua própria ficha de modelo indica um contexto de 32,768 tokens. É a janela documentada desta edição; os valores de contexto maiores de outras dimensões Qwen3 devem permanecer associados às respetivas fichas. Mantenha o texto de origem, as instruções, o histórico da conversa e a resposta pedida dentro do orçamento de sequência relevante. Para um assistente de respostas, forneça a mensagem recebida, os factos de enquadramento verificados, o público e o comprimento desejado, em vez de um arquivo inteiro de correspondência sem relação com a tarefa.
O guia de início rápido do fabricante formata a conversa com o modelo de formatação próprio. Prepare uma tarefa pequena e completa que possa ser verificada face à fonte. Num exemplo de lista de ações, forneça uma nota com nomes, datas e decisões, peça um item por ação e exija um valor explícito de desconhecido quando não tiver sido indicado um responsável. Num exemplo de programação, forneça uma função e entradas representativas e peça ao modelo que explique o ramo que determina o resultado. A explicação devolvida deve referir as variáveis e condições reais, em vez de introduzir comportamentos hipotéticos. 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 raciocínio está ativo por predefinição no modelo de formatação fornecido. Uma opção de configuração seleciona saída sem raciocínio e sem a respetiva secção. Quando o raciocínio permanece ativo, /think e /no_think atuam como instruções por turno, prevalecendo a mais recente; não podem sobrepor-se à desativação através da opção de configuração. Utilize a definição direta para uma reformulação breve e a definição de raciocínio quando a resposta precisar de conciliar várias condições. Separe o raciocínio intermédio da resposta final e conserve a resposta final no histórico dos diálogos seguintes. 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 utilização em agentes faz parte das capacidades publicadas. O fabricante recomenda Qwen-Agent para formatação e análise de chamadas a ferramentas, enquanto a aplicação disponibiliza e executa as ferramentas. Um assistente de âmbito restrito pode pedir a consulta de um dicionário para um termo de produto, receber a definição confirmada e reformular a frase do utilizador. Defina o argumento permitido e os campos devolvidos; verifique ambos antes de usar o resultado. O texto final deve distinguir os factos fornecidos, a informação devolvida e as perguntas ainda sem resposta. O guia Qwen3 também descreve chamadas paralelas e de várias etapas, com argumentos representados como objetos e resultados devolvidos à conversa.
O orçamento de saída deve adequar-se à tarefa completa. A ficha fornece exemplos de geração e recomendações de comprimento de saída; são diferentes de um máximo comprovado do lado do serviço. Saídas breves são fáceis de verificar: especifique os campos, a ordem e o idioma, e mantenha a mensagem original disponível para comparação. Avalie o resultado na classe real de entradas antes de confiar na geração de textos longos. 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 dimensão tem uma nota específica sobre repetição persistente: a ficha sugere as definições de amostragem recomendadas e presence_penalty 1.5 quando ocorrer repetição significativa. Penalizações superiores podem, por vezes, misturar idiomas ou reduzir o desempenho. Para raciocínio, a temperature sugerida é 0.6, com top-p 0.95, top-k 20 e min-p 0; sem raciocínio, temperature 0.7, top-p 0.8, top-k 20 e min-p 0. Evite descodificação gulosa no modo de raciocínio. Verifique nomes, datas, rótulos e cláusulas repetidas, e valide qualquer saída estruturada antes de a passar a outra parte da aplicação.
", "aboutText": "Qwen3-1.7B combina respostas diretas e raciocínio num pequeno modelo linguístico denso. O fabricante descreve seguimento de instruções, escrita criativa, conversas baseadas em papéis, matemática, problemas lógicos e código, com mais de 100 idiomas e dialetos suportados. Recebe texto e produz texto. Uma boa tarefa inicial é uma transformação rigorosamente especificada: converter uma mensagem breve de um cliente numa resposta cortês, explicar um termo a um leitor específico ou transformar uma nota de reunião numa lista de ações.\n\nEsta versão exata tem 1.7 mil milhões de parâmetros, incluindo 1.4 mil milhões fora dos embeddings, e 28 camadas. A atenção com consultas agrupadas utiliza 16 cabeças de consulta e oito cabeças de chave/valor. A sua própria ficha de modelo indica um contexto de 32,768 tokens. É a janela documentada desta edição; os valores de contexto maiores de outras dimensões Qwen3 devem permanecer associados às respetivas fichas. Mantenha o texto de origem, as instruções, o histórico da conversa e a resposta pedida dentro do orçamento de sequência relevante. Para um assistente de respostas, forneça a mensagem recebida, os factos de enquadramento verificados, o público e o comprimento desejado, em vez de um arquivo inteiro de correspondência sem relação com a tarefa.\n\nO guia de início rápido do fabricante formata a conversa com o modelo de formatação próprio. Prepare uma tarefa pequena e completa que possa ser verificada face à fonte. Num exemplo de lista de ações, forneça uma nota com nomes, datas e decisões, peça um item por ação e exija um valor explícito de desconhecido quando não tiver sido indicado um responsável. Num exemplo de programação, forneça uma função e entradas representativas e peça ao modelo que explique o ramo que determina o resultado. A explicação devolvida deve referir as variáveis e condições reais, em vez de introduzir comportamentos hipotéticos. 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 raciocínio está ativo por predefinição no modelo de formatação fornecido. Uma opção de configuração seleciona saída sem raciocínio e sem a respetiva secção. Quando o raciocínio permanece ativo, /think e /no_think atuam como instruções por turno, prevalecendo a mais recente; não podem sobrepor-se à desativação através da opção de configuração. Utilize a definição direta para uma reformulação breve e a definição de raciocínio quando a resposta precisar de conciliar várias condições. Separe o raciocínio intermédio da resposta final e conserve a resposta final no histórico dos diálogos seguintes. 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 utilização em agentes faz parte das capacidades publicadas. O fabricante recomenda Qwen-Agent para formatação e análise de chamadas a ferramentas, enquanto a aplicação disponibiliza e executa as ferramentas. Um assistente de âmbito restrito pode pedir a consulta de um dicionário para um termo de produto, receber a definição confirmada e reformular a frase do utilizador. Defina o argumento permitido e os campos devolvidos; verifique ambos antes de usar o resultado. O texto final deve distinguir os factos fornecidos, a informação devolvida e as perguntas ainda sem resposta. O guia Qwen3 também descreve chamadas paralelas e de várias etapas, com argumentos representados como objetos e resultados devolvidos à conversa.\n\nO orçamento de saída deve adequar-se à tarefa completa. A ficha fornece exemplos de geração e recomendações de comprimento de saída; são diferentes de um máximo comprovado do lado do serviço. Saídas breves são fáceis de verificar: especifique os campos, a ordem e o idioma, e mantenha a mensagem original disponível para comparação. Avalie o resultado na classe real de entradas antes de confiar na geração de textos longos. 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 dimensão tem uma nota específica sobre repetição persistente: a ficha sugere as definições de amostragem recomendadas e presence_penalty 1.5 quando ocorrer repetição significativa. Penalizações superiores podem, por vezes, misturar idiomas ou reduzir o desempenho. Para raciocínio, a temperature sugerida é 0.6, com top-p 0.95, top-k 20 e min-p 0; sem raciocínio, temperature 0.7, top-p 0.8, top-k 20 e min-p 0. Evite descodificação gulosa no modo de raciocínio. Verifique nomes, datas, rótulos e cláusulas repetidas, e valide qualquer saída estruturada antes de a passar a outra parte da aplicação.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B é um modelo de texto denso e compacto, com modos de resposta direta e de raciocínio. Suporta diálogo multilingue, escrita, código e instruções orientadas para ferramentas, com um contexto de 32,768 tokens documentado para esta versão exata.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-1.7B combina respostas diretas e raciocínio num pequeno modelo linguístico denso. O fabricante descreve seguimento de instruções, escrita criativa, conversas baseadas em papéis, matemática, problemas lógicos e código, com mais de 100 idiomas e dialetos suportados. Recebe texto e produz texto. Uma boa tarefa inicial é uma transformação rigorosamente especificada: converter uma mensagem breve de um cliente numa resposta cortês, explicar um termo a um leitor específico ou transformar uma nota de reunião numa lista de ações.
Esta versão exata tem 1.7 mil milhões de parâmetros, incluindo 1.4 mil milhões fora dos embeddings, e 28 camadas. A atenção com consultas agrupadas utiliza 16 cabeças de consulta e oito cabeças de chave/valor. A sua própria ficha de modelo indica um contexto de 32,768 tokens. É a janela documentada desta edição; os valores de contexto maiores de outras dimensões Qwen3 devem permanecer associados às respetivas fichas. Mantenha o texto de origem, as instruções, o histórico da conversa e a resposta pedida dentro do orçamento de sequência relevante. Para um assistente de respostas, forneça a mensagem recebida, os factos de enquadramento verificados, o público e o comprimento desejado, em vez de um arquivo inteiro de correspondência sem relação com a tarefa.
O guia de início rápido do fabricante formata a conversa com o modelo de formatação próprio. Prepare uma tarefa pequena e completa que possa ser verificada face à fonte. Num exemplo de lista de ações, forneça uma nota com nomes, datas e decisões, peça um item por ação e exija um valor explícito de desconhecido quando não tiver sido indicado um responsável. Num exemplo de programação, forneça uma função e entradas representativas e peça ao modelo que explique o ramo que determina o resultado. A explicação devolvida deve referir as variáveis e condições reais, em vez de introduzir comportamentos hipotéticos. 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 raciocínio está ativo por predefinição no modelo de formatação fornecido. Uma opção de configuração seleciona saída sem raciocínio e sem a respetiva secção. Quando o raciocínio permanece ativo, /think e /no_think atuam como instruções por turno, prevalecendo a mais recente; não podem sobrepor-se à desativação através da opção de configuração. Utilize a definição direta para uma reformulação breve e a definição de raciocínio quando a resposta precisar de conciliar várias condições. Separe o raciocínio intermédio da resposta final e conserve a resposta final no histórico dos diálogos seguintes. 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 utilização em agentes faz parte das capacidades publicadas. O fabricante recomenda Qwen-Agent para formatação e análise de chamadas a ferramentas, enquanto a aplicação disponibiliza e executa as ferramentas. Um assistente de âmbito restrito pode pedir a consulta de um dicionário para um termo de produto, receber a definição confirmada e reformular a frase do utilizador. Defina o argumento permitido e os campos devolvidos; verifique ambos antes de usar o resultado. O texto final deve distinguir os factos fornecidos, a informação devolvida e as perguntas ainda sem resposta. O guia Qwen3 também descreve chamadas paralelas e de várias etapas, com argumentos representados como objetos e resultados devolvidos à conversa.
O orçamento de saída deve adequar-se à tarefa completa. A ficha fornece exemplos de geração e recomendações de comprimento de saída; são diferentes de um máximo comprovado do lado do serviço. Saídas breves são fáceis de verificar: especifique os campos, a ordem e o idioma, e mantenha a mensagem original disponível para comparação. Avalie o resultado na classe real de entradas antes de confiar na geração de textos longos. 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 dimensão tem uma nota específica sobre repetição persistente: a ficha sugere as definições de amostragem recomendadas e presence_penalty 1.5 quando ocorrer repetição significativa. Penalizações superiores podem, por vezes, misturar idiomas ou reduzir o desempenho. Para raciocínio, a temperature sugerida é 0.6, com top-p 0.95, top-k 20 e min-p 0; sem raciocínio, temperature 0.7, top-p 0.8, top-k 20 e min-p 0. Evite descodificação gulosa no modo de raciocínio. Verifique nomes, datas, rótulos e cláusulas repetidas, e valide qualquer saída estruturada antes de a passar a outra parte da aplicação.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen3-1.7b | 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Use os caminhos dos métodos indicados acima.
qwen3-1.7bQwen3-1.7B é um modelo de texto denso e compacto, com modos de resposta direta e de raciocínio. Suporta diálogo multilingue, escrita, código e instruções orientadas para ferramentas, com um contexto de 32,768 tokens documentado para esta versão exata.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-1.7B combina respostas diretas e raciocínio num pequeno modelo linguístico denso. O fabricante descreve seguimento de instruções, escrita criativa, conversas baseadas em papéis, matemática, problemas lógicos e código, com mais de 100 idiomas e dialetos suportados. Recebe texto e produz texto. Uma boa tarefa inicial é uma transformação rigorosamente especificada: converter uma mensagem breve de um cliente numa resposta cortês, explicar um termo a um leitor específico ou transformar uma nota de reunião numa lista de ações.
Esta versão exata tem 1.7 mil milhões de parâmetros, incluindo 1.4 mil milhões fora dos embeddings, e 28 camadas. A atenção com consultas agrupadas utiliza 16 cabeças de consulta e oito cabeças de chave/valor. A sua própria ficha de modelo indica um contexto de 32,768 tokens. É a janela documentada desta edição; os valores de contexto maiores de outras dimensões Qwen3 devem permanecer associados às respetivas fichas. Mantenha o texto de origem, as instruções, o histórico da conversa e a resposta pedida dentro do orçamento de sequência relevante. Para um assistente de respostas, forneça a mensagem recebida, os factos de enquadramento verificados, o público e o comprimento desejado, em vez de um arquivo inteiro de correspondência sem relação com a tarefa.
O guia de início rápido do fabricante formata a conversa com o modelo de formatação próprio. Prepare uma tarefa pequena e completa que possa ser verificada face à fonte. Num exemplo de lista de ações, forneça uma nota com nomes, datas e decisões, peça um item por ação e exija um valor explícito de desconhecido quando não tiver sido indicado um responsável. Num exemplo de programação, forneça uma função e entradas representativas e peça ao modelo que explique o ramo que determina o resultado. A explicação devolvida deve referir as variáveis e condições reais, em vez de introduzir comportamentos hipotéticos. 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 raciocínio está ativo por predefinição no modelo de formatação fornecido. Uma opção de configuração seleciona saída sem raciocínio e sem a respetiva secção. Quando o raciocínio permanece ativo, /think e /no_think atuam como instruções por turno, prevalecendo a mais recente; não podem sobrepor-se à desativação através da opção de configuração. Utilize a definição direta para uma reformulação breve e a definição de raciocínio quando a resposta precisar de conciliar várias condições. Separe o raciocínio intermédio da resposta final e conserve a resposta final no histórico dos diálogos seguintes. 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 utilização em agentes faz parte das capacidades publicadas. O fabricante recomenda Qwen-Agent para formatação e análise de chamadas a ferramentas, enquanto a aplicação disponibiliza e executa as ferramentas. Um assistente de âmbito restrito pode pedir a consulta de um dicionário para um termo de produto, receber a definição confirmada e reformular a frase do utilizador. Defina o argumento permitido e os campos devolvidos; verifique ambos antes de usar o resultado. O texto final deve distinguir os factos fornecidos, a informação devolvida e as perguntas ainda sem resposta. O guia Qwen3 também descreve chamadas paralelas e de várias etapas, com argumentos representados como objetos e resultados devolvidos à conversa.
O orçamento de saída deve adequar-se à tarefa completa. A ficha fornece exemplos de geração e recomendações de comprimento de saída; são diferentes de um máximo comprovado do lado do serviço. Saídas breves são fáceis de verificar: especifique os campos, a ordem e o idioma, e mantenha a mensagem original disponível para comparação. Avalie o resultado na classe real de entradas antes de confiar na geração de textos longos. 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 dimensão tem uma nota específica sobre repetição persistente: a ficha sugere as definições de amostragem recomendadas e presence_penalty 1.5 quando ocorrer repetição significativa. Penalizações superiores podem, por vezes, misturar idiomas ou reduzir o desempenho. Para raciocínio, a temperature sugerida é 0.6, com top-p 0.95, top-k 20 e min-p 0; sem raciocínio, temperature 0.7, top-p 0.8, top-k 20 e min-p 0. Evite descodificação gulosa no modo de raciocínio. Verifique nomes, datas, rótulos e cláusulas repetidas, e valide qualquer saída estruturada antes de a passar a outra parte da aplicação.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen3-1.7b | 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 $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.