Главное: фиксированное обновление Instruct-2507
Qwen3-30B-A3B-Instruct-2507 — обновлённая редакция Qwen3-30B-A3B в режиме Non-Thinking. Производитель выделяет улучшения следования инструкциям, логического рассуждения, понимания текста, математики, науки, программирования и использования инструментов, с более широкими знаниями редких тем на разных языках и лучшим согласованием открытых задач. Она принимает и создаёт текст: ответ, объяснение, предложение кода или требуемый письменный результат.
Сохраняйте идентичность фиксированной 2507 отдельно от исходной гибридной Qwen3-30B-A3B, сборки FP8 и Thinking-2507. Описание многоязычных знаний не даёт отдельной гарантии числа языков этой версии. При переводе или переписывании укажите язык, аудиторию и сохраняемые термины.
Обзор модели
Смесь экспертов содержит 30,5 миллиарда параметров и активирует 3,3 миллиарда. Она имеет 48 слоёв, 128 экспертов и выбор восьми на токен. Нативный контекст — 262 144 токена. Активные параметры не равны размеру полного чекпойнта, а архитектура сама по себе не устанавливает время ответа приложения.
Редакция поддерживает только режим Non-Thinking и не генерирует явные блоки Thinking. В рецепте производителя enable_thinking=False не нужен. Она может показывать расчёты или объяснять код обычным текстом; запрос подтверждающих шагов не превращает её в отдельный чекпойнт Thinking.
Подготовка полезного текстового запроса
Для кода предоставьте функцию или модуль, ограничения ввода, наблюдаемое поведение и нужный результат. Запросите предложенное исправление или полную функцию с объяснением затрагиваемых предположений. Для математического или научного вопроса дайте полное условие, единицы измерения и определения, затем запросите ясно отделённый итог, основанный на предоставленных условиях.
Для открытого текста задайте аудиторию, цель, тон и обязательную информацию. Полезный ответ может быть редактируемым черновиком по требуемым разделам с отдельно отмеченными неподтверждёнными предположениями. Сравнивайте черновик, расчёты или код с исходными фактами, определениями и требованиями.
Агентное применение
Qwen описывает вызов инструментов и рекомендует Qwen-Agent для шаблонов и разбора, с настроенными или подключёнными через MCP инструментами. Задайте разрешённые действия и наблюдаемые условия завершения. Подключённые инструменты выполняют внешние операции и возвращают наблюдения для следующего ответа. Предлагаемую команду или заявление о найденном источнике следует отличать от действительно возвращённого результата.
Чёткий итог может быть предложением кода, таблицей свидетельств или коротким отчётом. Поддержка инструментов не создаёт доступ к актуальным источникам, файлам или среде исполнения через каждый интерфейс. Сохраняйте контракт ответа конкретной модели без рассуждения, не заимствуя переключатели гибридной или бюджеты вывода Thinking.
Обработка сверхдлинного текста
Производитель описывает необязательный процесс примерно до миллиона токенов через Dual Chunk Attention и разреженное внимание MInference. Первое делит длинную последовательность на управляемые части с сохранением взаимодействий между частями; второе концентрирует вычисления на выбранных связях внимания. Это дополнительный путь сверх нативного контекста 262 144 с особой конфигурацией длинного контекста.
Рецепт оценивает примерно 240 GB суммарной памяти GPU для весов, кешированного состояния последовательности и пиковых активаций. Отдельно описаны сбои ёмкости из-за кеша последовательности, памяти активаций или ввода сверх настроенной длины. Поэтому процесс работы с миллионом токенов зависит от конфигурации и ресурсов; заявленную величину не следует считать безусловной настройкой по умолчанию.
Подготовьте длинный ввод с границами документов, разделами или идентификаторами кода и конкретным вопросом. Оставьте место для ответа и запросите свидетельства каждого вывода.
Рекомендации генерации
Best Practices рекомендуют temperature 0,7, top_p 0,8, top_k 20 и min_p 0. Где поддерживается, presence penalty от нуля до двух может уменьшать повторение, но большие значения могут смешивать языки или слегка снижать качество. Производитель рекомендует 16 384 токена вывода для большинства запросов вместо длинных бюджетов Thinking-2507. Это рекомендация, а не независимо установленный жёсткий предел.
Явно задайте формат, например математический разделитель или поле ответа. Документированный ввод — текст, поэтому визуальные или аудиосвидетельства нужно отдельно представить подходящим способом. Проверяйте расчёты, цитаты и код по источнику. Полезный результат — полный проверяемый текст, в котором ясны идентичность Instruct-2507, режим без рассуждения и условный процесс длинного контекста.
", "aboutText": "Главное: фиксированное обновление Instruct-2507\n\nQwen3-30B-A3B-Instruct-2507 — обновлённая редакция Qwen3-30B-A3B в режиме Non-Thinking. Производитель выделяет улучшения следования инструкциям, логического рассуждения, понимания текста, математики, науки, программирования и использования инструментов, с более широкими знаниями редких тем на разных языках и лучшим согласованием открытых задач. Она принимает и создаёт текст: ответ, объяснение, предложение кода или требуемый письменный результат.\n\nСохраняйте идентичность фиксированной 2507 отдельно от исходной гибридной Qwen3-30B-A3B, сборки FP8 и Thinking-2507. Описание многоязычных знаний не даёт отдельной гарантии числа языков этой версии. При переводе или переписывании укажите язык, аудиторию и сохраняемые термины.\n\nОбзор модели\n\nСмесь экспертов содержит 30,5 миллиарда параметров и активирует 3,3 миллиарда. Она имеет 48 слоёв, 128 экспертов и выбор восьми на токен. Нативный контекст — 262 144 токена. Активные параметры не равны размеру полного чекпойнта, а архитектура сама по себе не устанавливает время ответа приложения.\n\nРедакция поддерживает только режим Non-Thinking и не генерирует явные блоки Thinking. В рецепте производителя enable_thinking=False не нужен. Она может показывать расчёты или объяснять код обычным текстом; запрос подтверждающих шагов не превращает её в отдельный чекпойнт Thinking.\n\nПодготовка полезного текстового запроса\n\nДля кода предоставьте функцию или модуль, ограничения ввода, наблюдаемое поведение и нужный результат. Запросите предложенное исправление или полную функцию с объяснением затрагиваемых предположений. Для математического или научного вопроса дайте полное условие, единицы измерения и определения, затем запросите ясно отделённый итог, основанный на предоставленных условиях.\n\nДля открытого текста задайте аудиторию, цель, тон и обязательную информацию. Полезный ответ может быть редактируемым черновиком по требуемым разделам с отдельно отмеченными неподтверждёнными предположениями. Сравнивайте черновик, расчёты или код с исходными фактами, определениями и требованиями.\n\nАгентное применение\n\nQwen описывает вызов инструментов и рекомендует Qwen-Agent для шаблонов и разбора, с настроенными или подключёнными через MCP инструментами. Задайте разрешённые действия и наблюдаемые условия завершения. Подключённые инструменты выполняют внешние операции и возвращают наблюдения для следующего ответа. Предлагаемую команду или заявление о найденном источнике следует отличать от действительно возвращённого результата.\n\nЧёткий итог может быть предложением кода, таблицей свидетельств или коротким отчётом. Поддержка инструментов не создаёт доступ к актуальным источникам, файлам или среде исполнения через каждый интерфейс. Сохраняйте контракт ответа конкретной модели без рассуждения, не заимствуя переключатели гибридной или бюджеты вывода Thinking.\n\nОбработка сверхдлинного текста\n\nПроизводитель описывает необязательный процесс примерно до миллиона токенов через Dual Chunk Attention и разреженное внимание MInference. Первое делит длинную последовательность на управляемые части с сохранением взаимодействий между частями; второе концентрирует вычисления на выбранных связях внимания. Это дополнительный путь сверх нативного контекста 262 144 с особой конфигурацией длинного контекста.\n\nРецепт оценивает примерно 240 GB суммарной памяти GPU для весов, кешированного состояния последовательности и пиковых активаций. Отдельно описаны сбои ёмкости из-за кеша последовательности, памяти активаций или ввода сверх настроенной длины. Поэтому процесс работы с миллионом токенов зависит от конфигурации и ресурсов; заявленную величину не следует считать безусловной настройкой по умолчанию.\n\nПодготовьте длинный ввод с границами документов, разделами или идентификаторами кода и конкретным вопросом. Оставьте место для ответа и запросите свидетельства каждого вывода.\n\nРекомендации генерации\n\nBest Practices рекомендуют temperature 0,7, top_p 0,8, top_k 20 и min_p 0. Где поддерживается, presence penalty от нуля до двух может уменьшать повторение, но большие значения могут смешивать языки или слегка снижать качество. Производитель рекомендует 16 384 токена вывода для большинства запросов вместо длинных бюджетов Thinking-2507. Это рекомендация, а не независимо установленный жёсткий предел.\n\nЯвно задайте формат, например математический разделитель или поле ответа. Документированный ввод — текст, поэтому визуальные или аудиосвидетельства нужно отдельно представить подходящим способом. Проверяйте расчёты, цитаты и код по источнику. Полезный результат — полный проверяемый текст, в котором ясны идентичность Instruct-2507, режим без рассуждения и условный процесс длинного контекста.", "editorialOverlay": { "copy_fields": { "practical_html": "Технический пример на английском
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 — фиксированная июльская текстовая редакция Qwen в режиме Non-Thinking, с 30,5 миллиарда параметров и 3,3 миллиарда активных. Она улучшает следование инструкциям, код, многоязычные знания и открытые письменные задачи, имея нативный контекст 262 144 токена.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Главное: фиксированное обновление Instruct-2507
Qwen3-30B-A3B-Instruct-2507 — обновлённая редакция Qwen3-30B-A3B в режиме Non-Thinking. Производитель выделяет улучшения следования инструкциям, логического рассуждения, понимания текста, математики, науки, программирования и использования инструментов, с более широкими знаниями редких тем на разных языках и лучшим согласованием открытых задач. Она принимает и создаёт текст: ответ, объяснение, предложение кода или требуемый письменный результат.
Сохраняйте идентичность фиксированной 2507 отдельно от исходной гибридной Qwen3-30B-A3B, сборки FP8 и Thinking-2507. Описание многоязычных знаний не даёт отдельной гарантии числа языков этой версии. При переводе или переписывании укажите язык, аудиторию и сохраняемые термины.
Обзор модели
Смесь экспертов содержит 30,5 миллиарда параметров и активирует 3,3 миллиарда. Она имеет 48 слоёв, 128 экспертов и выбор восьми на токен. Нативный контекст — 262 144 токена. Активные параметры не равны размеру полного чекпойнта, а архитектура сама по себе не устанавливает время ответа приложения.
Редакция поддерживает только режим Non-Thinking и не генерирует явные блоки Thinking. В рецепте производителя enable_thinking=False не нужен. Она может показывать расчёты или объяснять код обычным текстом; запрос подтверждающих шагов не превращает её в отдельный чекпойнт Thinking.
Подготовка полезного текстового запроса
Для кода предоставьте функцию или модуль, ограничения ввода, наблюдаемое поведение и нужный результат. Запросите предложенное исправление или полную функцию с объяснением затрагиваемых предположений. Для математического или научного вопроса дайте полное условие, единицы измерения и определения, затем запросите ясно отделённый итог, основанный на предоставленных условиях.
Для открытого текста задайте аудиторию, цель, тон и обязательную информацию. Полезный ответ может быть редактируемым черновиком по требуемым разделам с отдельно отмеченными неподтверждёнными предположениями. Сравнивайте черновик, расчёты или код с исходными фактами, определениями и требованиями.
Агентное применение
Qwen описывает вызов инструментов и рекомендует Qwen-Agent для шаблонов и разбора, с настроенными или подключёнными через MCP инструментами. Задайте разрешённые действия и наблюдаемые условия завершения. Подключённые инструменты выполняют внешние операции и возвращают наблюдения для следующего ответа. Предлагаемую команду или заявление о найденном источнике следует отличать от действительно возвращённого результата.
Чёткий итог может быть предложением кода, таблицей свидетельств или коротким отчётом. Поддержка инструментов не создаёт доступ к актуальным источникам, файлам или среде исполнения через каждый интерфейс. Сохраняйте контракт ответа конкретной модели без рассуждения, не заимствуя переключатели гибридной или бюджеты вывода Thinking.
Обработка сверхдлинного текста
Производитель описывает необязательный процесс примерно до миллиона токенов через Dual Chunk Attention и разреженное внимание MInference. Первое делит длинную последовательность на управляемые части с сохранением взаимодействий между частями; второе концентрирует вычисления на выбранных связях внимания. Это дополнительный путь сверх нативного контекста 262 144 с особой конфигурацией длинного контекста.
Рецепт оценивает примерно 240 GB суммарной памяти GPU для весов, кешированного состояния последовательности и пиковых активаций. Отдельно описаны сбои ёмкости из-за кеша последовательности, памяти активаций или ввода сверх настроенной длины. Поэтому процесс работы с миллионом токенов зависит от конфигурации и ресурсов; заявленную величину не следует считать безусловной настройкой по умолчанию.
Подготовьте длинный ввод с границами документов, разделами или идентификаторами кода и конкретным вопросом. Оставьте место для ответа и запросите свидетельства каждого вывода.
Рекомендации генерации
Best Practices рекомендуют temperature 0,7, top_p 0,8, top_k 20 и min_p 0. Где поддерживается, presence penalty от нуля до двух может уменьшать повторение, но большие значения могут смешивать языки или слегка снижать качество. Производитель рекомендует 16 384 токена вывода для большинства запросов вместо длинных бюджетов Thinking-2507. Это рекомендация, а не независимо установленный жёсткий предел.
Явно задайте формат, например математический разделитель или поле ответа. Документированный ввод — текст, поэтому визуальные или аудиосвидетельства нужно отдельно представить подходящим способом. Проверяйте расчёты, цитаты и код по источнику. Полезный результат — полный проверяемый текст, в котором ясны идентичность Instruct-2507, режим без рассуждения и условный процесс длинного контекста.
POST /v1/chat/completionstexttext| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения qwen/qwen3-30b-a3b-instruct-2507 | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения Примеры: system, user, assistant, tool, function Условия: Эти роли явно представлены типами совместимости исходного кода; точный набор ролей зависит от модели. Зависит от модели | По умолчанию— |
Полеmessages[].content | Типstring|content_part[]|null | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].tool_calls | Типtool_call[] | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].tool_call_id | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: role=tool; используйте фактически возвращённый ID | По умолчанию— |
Полеmessages[].name | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].reasoning_content | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: Передавайте обратно фактически возвращённые рассуждения, если эта модель их использует | По умолчанию— |
Полеmessages[].reasoning_details | Типobject|array | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 Зависит от модели | По умолчанию— |
Полеmax_completion_tokens | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 Зависит от модели | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Полеstream_options.include_usage | Типboolean | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtemperature | Типnumber | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtop_p | Типnumber | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеstop | Типstring|string[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtools | Типfunction_tool[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtools[].type | Типstring | ТребованиеНеобязательно | Значения и ограничения function Зависит от модели | По умолчанию— |
Полеtools[].function.name | Типstring | ТребованиеОбязательно | Значения и ограничения Применяется, когда: передан инструмент-функция | По умолчанию— |
Полеtools[].function.description | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtools[].function.parameters | ТипJSON_schema | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtool_choice | Типstring|object | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеparallel_tool_calls | Типboolean | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеresponse_format | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеreasoning_effort | Типstring | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеreasoning | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеservice_tier | Типstring | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеinstructions | Типstring | ТребованиеНеобязательно | Значения и ограничения Поле совместимости | По умолчанию— |
Полеfunctions | Типfunction[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеfunction_call | Типstring|object | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеprompt_cache_options | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmodalities | Типstring[] | ТребованиеНеобязательно | Значения и ограничения text | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется на этом текстовом маршруте Ultra | По умолчанию— |
Полеcache_control.ttl | Типstring | ТребованиеНеобязательно | Значения и ограничения Условия: 1h отклоняется в фактических местах настройки кэша запросов | По умолчанию— |
Текст · Текст UTF8
messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages |
Параметрmaterial_types | Контрактtext |
Параметрmessages | Контрактмассив сообщений со структурой role/content |
Параметрfile_material | Контрактфактический документ UTF-8 вставляется как буквальный текст; ID файла не выводится из него |
Параметрoptional_controls | Контрактstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Параметрcontrol_scope | Контрактзависит от модели; пользовательские инструменты-функции отличаются от инструментов, выполняемых на стороне сервиса |
Параметрoutput_modalities | Контрактtext |
Параметрhosted_operations | Контрактfalse |
Параметрmultimodal_input_binding | Контрактnull |
Жизненный цикл: synchronous_or_streamed
Отправляйте точный ID модели вместе с messages.
Длина контекста не является пределом выхода.
Текстовый файл может передавать буквальный текст; входные изображения, аудио и файловые объекты требуют точной привязки.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Токенов контекста больше | Токенов контекста не более, включительно | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Токенов контекста больше— | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.0002 / 1K токенов Выход · Выходные токены $0.0008 / 1K токенов Вход · Чтение кэша $0 / 1K токенов Вход · Запись в кэш $0 / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияУровень 1 по длине запроса | Шкала ставок— | Токенов контекста больше0 | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.0002 / 1K токенов Выход · Выходные токены $0.0008 / 1K токенов Вход · Чтение кэша $0 / 1K токенов Вход · Запись в кэш $0 / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-30b-a3b-instruct-2507", "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/qwen3-30b-a3b-instruct-2507',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/qwen3-30b-a3b-instruct-2507',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 или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вариант ответа с его содержимым, вызовами инструментов и рассуждениями. В SSE собирайте изменения по индексам варианта и инструмента, сохраняйте итоговую причину завершения и данные использования.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеchoices[].index | Типinteger |
Полеchoices[].message.content | Типstring|null |
Полеchoices[].message.tool_calls | Типtool_call[] |
Полеchoices[].message.reasoning_content | Типstring |
Полеchoices[].message.reasoning_details | Типobject|array |
Полеchoices[].finish_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Используйте пути методов, указанные выше.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 — фиксированная июльская текстовая редакция Qwen в режиме Non-Thinking, с 30,5 миллиарда параметров и 3,3 миллиарда активных. Она улучшает следование инструкциям, код, многоязычные знания и открытые письменные задачи, имея нативный контекст 262 144 токена.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Главное: фиксированное обновление Instruct-2507
Qwen3-30B-A3B-Instruct-2507 — обновлённая редакция Qwen3-30B-A3B в режиме Non-Thinking. Производитель выделяет улучшения следования инструкциям, логического рассуждения, понимания текста, математики, науки, программирования и использования инструментов, с более широкими знаниями редких тем на разных языках и лучшим согласованием открытых задач. Она принимает и создаёт текст: ответ, объяснение, предложение кода или требуемый письменный результат.
Сохраняйте идентичность фиксированной 2507 отдельно от исходной гибридной Qwen3-30B-A3B, сборки FP8 и Thinking-2507. Описание многоязычных знаний не даёт отдельной гарантии числа языков этой версии. При переводе или переписывании укажите язык, аудиторию и сохраняемые термины.
Обзор модели
Смесь экспертов содержит 30,5 миллиарда параметров и активирует 3,3 миллиарда. Она имеет 48 слоёв, 128 экспертов и выбор восьми на токен. Нативный контекст — 262 144 токена. Активные параметры не равны размеру полного чекпойнта, а архитектура сама по себе не устанавливает время ответа приложения.
Редакция поддерживает только режим Non-Thinking и не генерирует явные блоки Thinking. В рецепте производителя enable_thinking=False не нужен. Она может показывать расчёты или объяснять код обычным текстом; запрос подтверждающих шагов не превращает её в отдельный чекпойнт Thinking.
Подготовка полезного текстового запроса
Для кода предоставьте функцию или модуль, ограничения ввода, наблюдаемое поведение и нужный результат. Запросите предложенное исправление или полную функцию с объяснением затрагиваемых предположений. Для математического или научного вопроса дайте полное условие, единицы измерения и определения, затем запросите ясно отделённый итог, основанный на предоставленных условиях.
Для открытого текста задайте аудиторию, цель, тон и обязательную информацию. Полезный ответ может быть редактируемым черновиком по требуемым разделам с отдельно отмеченными неподтверждёнными предположениями. Сравнивайте черновик, расчёты или код с исходными фактами, определениями и требованиями.
Агентное применение
Qwen описывает вызов инструментов и рекомендует Qwen-Agent для шаблонов и разбора, с настроенными или подключёнными через MCP инструментами. Задайте разрешённые действия и наблюдаемые условия завершения. Подключённые инструменты выполняют внешние операции и возвращают наблюдения для следующего ответа. Предлагаемую команду или заявление о найденном источнике следует отличать от действительно возвращённого результата.
Чёткий итог может быть предложением кода, таблицей свидетельств или коротким отчётом. Поддержка инструментов не создаёт доступ к актуальным источникам, файлам или среде исполнения через каждый интерфейс. Сохраняйте контракт ответа конкретной модели без рассуждения, не заимствуя переключатели гибридной или бюджеты вывода Thinking.
Обработка сверхдлинного текста
Производитель описывает необязательный процесс примерно до миллиона токенов через Dual Chunk Attention и разреженное внимание MInference. Первое делит длинную последовательность на управляемые части с сохранением взаимодействий между частями; второе концентрирует вычисления на выбранных связях внимания. Это дополнительный путь сверх нативного контекста 262 144 с особой конфигурацией длинного контекста.
Рецепт оценивает примерно 240 GB суммарной памяти GPU для весов, кешированного состояния последовательности и пиковых активаций. Отдельно описаны сбои ёмкости из-за кеша последовательности, памяти активаций или ввода сверх настроенной длины. Поэтому процесс работы с миллионом токенов зависит от конфигурации и ресурсов; заявленную величину не следует считать безусловной настройкой по умолчанию.
Подготовьте длинный ввод с границами документов, разделами или идентификаторами кода и конкретным вопросом. Оставьте место для ответа и запросите свидетельства каждого вывода.
Рекомендации генерации
Best Practices рекомендуют temperature 0,7, top_p 0,8, top_k 20 и min_p 0. Где поддерживается, presence penalty от нуля до двух может уменьшать повторение, но большие значения могут смешивать языки или слегка снижать качество. Производитель рекомендует 16 384 токена вывода для большинства запросов вместо длинных бюджетов Thinking-2507. Это рекомендация, а не независимо установленный жёсткий предел.
Явно задайте формат, например математический разделитель или поле ответа. Документированный ввод — текст, поэтому визуальные или аудиосвидетельства нужно отдельно представить подходящим способом. Проверяйте расчёты, цитаты и код по источнику. Полезный результат — полный проверяемый текст, в котором ясны идентичность Instruct-2507, режим без рассуждения и условный процесс длинного контекста.
POST /v1/messagestextjson, sse| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения qwen/qwen3-30b-a3b-instruct-2507 | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения user, assistant | По умолчанию— |
Полеmessages[].content | Типstring | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Текст · Текст UTF-8
строка messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages, max_tokens |
Параметрoptional_controls | Контрактstream |
Параметрmaterial_types | Контрактtext |
Параметрtext_file_material | КонтрактПрочитайте фактический документ UTF-8 и поместите его текст в указанную строку входа или содержимого сообщения. |
Жизненный цикл: synchronous_or_streamed
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Токенов контекста больше | Токенов контекста не более, включительно | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Токенов контекста больше— | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.0002 / 1K токенов Выход · Выходные токены $0.0008 / 1K токенов Вход · Чтение кэша $0 / 1K токенов Вход · Запись в кэш $0 / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияУровень 1 по длине запроса | Шкала ставок— | Токенов контекста больше0 | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.0002 / 1K токенов Выход · Выходные токены $0.0008 / 1K токенов Вход · Чтение кэша $0 / 1K токенов Вход · Запись в кэш $0 / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-30b-a3b-instruct-2507', '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/qwen3-30b-a3b-instruct-2507', '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 или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте все блоки содержимого, подписи рассуждений и фактические ID обращений к инструментам. Собирайте все изменения блоков SSE; первый текстовый блок не является полным выходом.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеid | Типstring |
Полеmodel | Типstring |
Полеcontent[] | Типtext|thinking|tool_use|other content block |
Полеstop_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Используйте пути методов, указанные выше.
Технический пример на английском
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.