Höjdpunkter: den fasta Instruct-2507-uppdateringen
Qwen3-30B-A3B-Instruct-2507 är den uppdaterade icke-tänkande utgåvan av Qwen3-30B-A3B. Tillverkaren framhåller förbättringar i instruktionsföljning, logiskt resonemang, textförståelse, matematik, naturvetenskap, programmering och verktygsanvändning, med bredare kunskap om mindre vanliga ämnen på flera språk och bättre anpassning till öppna uppgifter. Den tar emot text och producerar text: ett svar, en förklaring, ett kodförslag eller den begärda skriftliga leveransen.
Håll den fasta 2507-identiteten åtskild från den ursprungliga hybriden Qwen3-30B-A3B, dess FP8-version och Thinking-2507-utgåvan. Modellens beskrivning av flerspråkig kunskap ger ingen separat garanti för ett visst antal språk i denna ögonblicksversion. Ange målspråk, målgrupp och termer som ska vara oförändrade när uppgiften omfattar översättning eller omskrivning.
Modellöversikt
Mixture-of-experts-modellen har totalt 30,5 miljarder parametrar och aktiverar 3,3 miljarder. Den har 48 lager, 128 experter och åtta experter valda per token. Dess inbyggda kontext är 262 144 token. Aktiverade parametrar är inte hela kontrollpunktens storlek, och arkitekturen ensam fastställer ingen bestämd svarstid i en applikation.
Den här utgåvan stöder endast icke-tänkande läge och genererar inga uttryckliga tänkandeblock. Inställningen enable_thinking=False behövs inte i tillverkarens recept. Modellen kan ändå visa beräkningar eller förklara kod i vanlig text; en begäran om stödjande steg omvandlar den inte till den separata Thinking-kontrollpunkten.
Förbereda en användbar textbegäran
För en programmeringsuppgift bör du ange relevant funktion eller modul, begränsningar för indata, observerat beteende och önskat resultat. Be om en föreslagen kodändring eller fullständig funktion med en förklaring av de antaganden som påverkas. För en matematisk eller naturvetenskaplig fråga bör du ge hela uppgiftsbeskrivningen, enheter och definitioner och sedan begära ett tydligt avgränsat slutsvar som stöds av de angivna villkoren.
För en öppen skrivuppgift bör du ange målgrupp, syfte, ton och information som måste ingå. Ett användbart svar kan vara ett redigerbart utkast organiserat efter de begärda avsnitten, med antaganden som saknar stöd identifierade separat. Jämför det returnerade utkastet, beräkningarna eller kodförslaget med angivna fakta, definitioner och krav.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent för mallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Ange tillåtna åtgärder och observerbara villkor för att uppgiften ska vara klar. Anslutna verktyg utför externa operationer och returnerar observationer; modellen kan använda återkopplingen i ett efterföljande svar. Ett föreslaget kommando eller ett påstående om en hämtad källa bör hållas åtskilt från ett resultat som arbetsflödet faktiskt returnerat.
En tydlig slutleverans kan vara ett kodförslag, en tabell med belägg eller en kort rapport. Verktygsstöd skapar inte i sig tillgång till aktuella källor, filer eller en körmiljö genom varje gränssnitt. Bevara den exakta modellens svarsvillkor för icke-tänkande i stället för att föra över en hybridmodells promptväxlar eller en Thinking-utgåvas utrymme för utdata.
Bearbeta ultralång text
Tillverkaren dokumenterar ett valfritt arbetsflöde som når ungefär en miljon token genom Dual Chunk Attention och MInference sparse attention. Det första delar en lång sekvens i hanterbara delar samtidigt som interaktioner mellan delarna bevaras; det andra fokuserar beräkningen på utvalda uppmärksamhetsrelationer. Detta är en ytterligare konfigurationsväg utöver den inbyggda kontexten på 262 144, med en särskild långkontextkonfiguration.
Receptet uppskattar ungefär 240 GB totalt GPU-minne för modellvikter, cachat sekvenstillstånd och aktiveringar vid maximal belastning. Det beskriver även separata kapacitetsfel från sekvenscache, aktiveringsminne eller indata som överskrider den konfigurerade längden. Miljontokenflödet beror därför på konfiguration och resurser; rubriken bör inte behandlas som en ovillkorlig standardinställning.
Förbered omfattande indata med dokumentgränser, avsnittsnamn eller kodidentifierare och en konkret fråga. Reservera utrymme för svaret och begär de belägg som stöder varje slutsats.
Genereringsrekommendationer
Best Practices rekommenderar temperature 0.7, top_p 0.8, top_k 20 och min_p 0. Där det stöds kan presence penalty mellan noll och två minska upprepad text, medan högre värden kan blanda språk eller försämra kvaliteten något. Tillverkaren rekommenderar ett utrymme för utdata på 16 384 token för de flesta frågor, snarare än de större budgetar som dokumenteras för Thinking-2507. Detta är en rekommendation, inte ett separat fastställt hårt utdatatak.
Ange uttryckligen slutformatet, till exempel en matematisk avgränsare eller ett svarsfält. Modellens dokumenterade indata är text, så visuella belägg eller ljudunderlag behöver en lämplig separat representation före detta arbetsflöde. Kontrollera beräkningar, citat och genererad kod mot källan. Det användbara resultatet är en fullständig textleverans som kan granskas och där den fasta Instruct-2507-identiteten, det icke-tänkande läget och det villkorade långkontextförfarandet är tydliga.
", "aboutText": "Höjdpunkter: den fasta Instruct-2507-uppdateringen\n\nQwen3-30B-A3B-Instruct-2507 är den uppdaterade icke-tänkande utgåvan av Qwen3-30B-A3B. Tillverkaren framhåller förbättringar i instruktionsföljning, logiskt resonemang, textförståelse, matematik, naturvetenskap, programmering och verktygsanvändning, med bredare kunskap om mindre vanliga ämnen på flera språk och bättre anpassning till öppna uppgifter. Den tar emot text och producerar text: ett svar, en förklaring, ett kodförslag eller den begärda skriftliga leveransen.\n\nHåll den fasta 2507-identiteten åtskild från den ursprungliga hybriden Qwen3-30B-A3B, dess FP8-version och Thinking-2507-utgåvan. Modellens beskrivning av flerspråkig kunskap ger ingen separat garanti för ett visst antal språk i denna ögonblicksversion. Ange målspråk, målgrupp och termer som ska vara oförändrade när uppgiften omfattar översättning eller omskrivning.\n\nModellöversikt\n\nMixture-of-experts-modellen har totalt 30,5 miljarder parametrar och aktiverar 3,3 miljarder. Den har 48 lager, 128 experter och åtta experter valda per token. Dess inbyggda kontext är 262 144 token. Aktiverade parametrar är inte hela kontrollpunktens storlek, och arkitekturen ensam fastställer ingen bestämd svarstid i en applikation.\n\nDen här utgåvan stöder endast icke-tänkande läge och genererar inga uttryckliga tänkandeblock. Inställningen enable_thinking=False behövs inte i tillverkarens recept. Modellen kan ändå visa beräkningar eller förklara kod i vanlig text; en begäran om stödjande steg omvandlar den inte till den separata Thinking-kontrollpunkten.\n\nFörbereda en användbar textbegäran\n\nFör en programmeringsuppgift bör du ange relevant funktion eller modul, begränsningar för indata, observerat beteende och önskat resultat. Be om en föreslagen kodändring eller fullständig funktion med en förklaring av de antaganden som påverkas. För en matematisk eller naturvetenskaplig fråga bör du ge hela uppgiftsbeskrivningen, enheter och definitioner och sedan begära ett tydligt avgränsat slutsvar som stöds av de angivna villkoren.\n\nFör en öppen skrivuppgift bör du ange målgrupp, syfte, ton och information som måste ingå. Ett användbart svar kan vara ett redigerbart utkast organiserat efter de begärda avsnitten, med antaganden som saknar stöd identifierade separat. Jämför det returnerade utkastet, beräkningarna eller kodförslaget med angivna fakta, definitioner och krav.\n\nAgentanvändning\n\nQwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent för mallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Ange tillåtna åtgärder och observerbara villkor för att uppgiften ska vara klar. Anslutna verktyg utför externa operationer och returnerar observationer; modellen kan använda återkopplingen i ett efterföljande svar. Ett föreslaget kommando eller ett påstående om en hämtad källa bör hållas åtskilt från ett resultat som arbetsflödet faktiskt returnerat.\n\nEn tydlig slutleverans kan vara ett kodförslag, en tabell med belägg eller en kort rapport. Verktygsstöd skapar inte i sig tillgång till aktuella källor, filer eller en körmiljö genom varje gränssnitt. Bevara den exakta modellens svarsvillkor för icke-tänkande i stället för att föra över en hybridmodells promptväxlar eller en Thinking-utgåvas utrymme för utdata.\n\nBearbeta ultralång text\n\nTillverkaren dokumenterar ett valfritt arbetsflöde som når ungefär en miljon token genom Dual Chunk Attention och MInference sparse attention. Det första delar en lång sekvens i hanterbara delar samtidigt som interaktioner mellan delarna bevaras; det andra fokuserar beräkningen på utvalda uppmärksamhetsrelationer. Detta är en ytterligare konfigurationsväg utöver den inbyggda kontexten på 262 144, med en särskild långkontextkonfiguration.\n\nReceptet uppskattar ungefär 240 GB totalt GPU-minne för modellvikter, cachat sekvenstillstånd och aktiveringar vid maximal belastning. Det beskriver även separata kapacitetsfel från sekvenscache, aktiveringsminne eller indata som överskrider den konfigurerade längden. Miljontokenflödet beror därför på konfiguration och resurser; rubriken bör inte behandlas som en ovillkorlig standardinställning.\n\nFörbered omfattande indata med dokumentgränser, avsnittsnamn eller kodidentifierare och en konkret fråga. Reservera utrymme för svaret och begär de belägg som stöder varje slutsats.\n\nGenereringsrekommendationer\n\nBest Practices rekommenderar temperature 0.7, top_p 0.8, top_k 20 och min_p 0. Där det stöds kan presence penalty mellan noll och två minska upprepad text, medan högre värden kan blanda språk eller försämra kvaliteten något. Tillverkaren rekommenderar ett utrymme för utdata på 16 384 token för de flesta frågor, snarare än de större budgetar som dokumenteras för Thinking-2507. Detta är en rekommendation, inte ett separat fastställt hårt utdatatak.\n\nAnge uttryckligen slutformatet, till exempel en matematisk avgränsare eller ett svarsfält. Modellens dokumenterade indata är text, så visuella belägg eller ljudunderlag behöver en lämplig separat representation före detta arbetsflöde. Kontrollera beräkningar, citat och genererad kod mot källan. Det användbara resultatet är en fullständig textleverans som kan granskas och där den fasta Instruct-2507-identiteten, det icke-tänkande läget och det villkorade långkontextförfarandet är tydliga.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är Qwens fasta icke-tänkande textutgåva från juli, 2507, med totalt 30,5 miljarder och 3,3 miljarder aktiverade parametrar. Den förbättrar instruktionsföljning, programmering, flerspråkig kunskap och öppet skrivande och har en inbyggd kontext på 262 144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Höjdpunkter: den fasta Instruct-2507-uppdateringen
Qwen3-30B-A3B-Instruct-2507 är den uppdaterade icke-tänkande utgåvan av Qwen3-30B-A3B. Tillverkaren framhåller förbättringar i instruktionsföljning, logiskt resonemang, textförståelse, matematik, naturvetenskap, programmering och verktygsanvändning, med bredare kunskap om mindre vanliga ämnen på flera språk och bättre anpassning till öppna uppgifter. Den tar emot text och producerar text: ett svar, en förklaring, ett kodförslag eller den begärda skriftliga leveransen.
Håll den fasta 2507-identiteten åtskild från den ursprungliga hybriden Qwen3-30B-A3B, dess FP8-version och Thinking-2507-utgåvan. Modellens beskrivning av flerspråkig kunskap ger ingen separat garanti för ett visst antal språk i denna ögonblicksversion. Ange målspråk, målgrupp och termer som ska vara oförändrade när uppgiften omfattar översättning eller omskrivning.
Modellöversikt
Mixture-of-experts-modellen har totalt 30,5 miljarder parametrar och aktiverar 3,3 miljarder. Den har 48 lager, 128 experter och åtta experter valda per token. Dess inbyggda kontext är 262 144 token. Aktiverade parametrar är inte hela kontrollpunktens storlek, och arkitekturen ensam fastställer ingen bestämd svarstid i en applikation.
Den här utgåvan stöder endast icke-tänkande läge och genererar inga uttryckliga tänkandeblock. Inställningen enable_thinking=False behövs inte i tillverkarens recept. Modellen kan ändå visa beräkningar eller förklara kod i vanlig text; en begäran om stödjande steg omvandlar den inte till den separata Thinking-kontrollpunkten.
Förbereda en användbar textbegäran
För en programmeringsuppgift bör du ange relevant funktion eller modul, begränsningar för indata, observerat beteende och önskat resultat. Be om en föreslagen kodändring eller fullständig funktion med en förklaring av de antaganden som påverkas. För en matematisk eller naturvetenskaplig fråga bör du ge hela uppgiftsbeskrivningen, enheter och definitioner och sedan begära ett tydligt avgränsat slutsvar som stöds av de angivna villkoren.
För en öppen skrivuppgift bör du ange målgrupp, syfte, ton och information som måste ingå. Ett användbart svar kan vara ett redigerbart utkast organiserat efter de begärda avsnitten, med antaganden som saknar stöd identifierade separat. Jämför det returnerade utkastet, beräkningarna eller kodförslaget med angivna fakta, definitioner och krav.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent för mallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Ange tillåtna åtgärder och observerbara villkor för att uppgiften ska vara klar. Anslutna verktyg utför externa operationer och returnerar observationer; modellen kan använda återkopplingen i ett efterföljande svar. Ett föreslaget kommando eller ett påstående om en hämtad källa bör hållas åtskilt från ett resultat som arbetsflödet faktiskt returnerat.
En tydlig slutleverans kan vara ett kodförslag, en tabell med belägg eller en kort rapport. Verktygsstöd skapar inte i sig tillgång till aktuella källor, filer eller en körmiljö genom varje gränssnitt. Bevara den exakta modellens svarsvillkor för icke-tänkande i stället för att föra över en hybridmodells promptväxlar eller en Thinking-utgåvas utrymme för utdata.
Bearbeta ultralång text
Tillverkaren dokumenterar ett valfritt arbetsflöde som når ungefär en miljon token genom Dual Chunk Attention och MInference sparse attention. Det första delar en lång sekvens i hanterbara delar samtidigt som interaktioner mellan delarna bevaras; det andra fokuserar beräkningen på utvalda uppmärksamhetsrelationer. Detta är en ytterligare konfigurationsväg utöver den inbyggda kontexten på 262 144, med en särskild långkontextkonfiguration.
Receptet uppskattar ungefär 240 GB totalt GPU-minne för modellvikter, cachat sekvenstillstånd och aktiveringar vid maximal belastning. Det beskriver även separata kapacitetsfel från sekvenscache, aktiveringsminne eller indata som överskrider den konfigurerade längden. Miljontokenflödet beror därför på konfiguration och resurser; rubriken bör inte behandlas som en ovillkorlig standardinställning.
Förbered omfattande indata med dokumentgränser, avsnittsnamn eller kodidentifierare och en konkret fråga. Reservera utrymme för svaret och begär de belägg som stöder varje slutsats.
Genereringsrekommendationer
Best Practices rekommenderar temperature 0.7, top_p 0.8, top_k 20 och min_p 0. Där det stöds kan presence penalty mellan noll och två minska upprepad text, medan högre värden kan blanda språk eller försämra kvaliteten något. Tillverkaren rekommenderar ett utrymme för utdata på 16 384 token för de flesta frågor, snarare än de större budgetar som dokumenteras för Thinking-2507. Detta är en rekommendation, inte ett separat fastställt hårt utdatatak.
Ange uttryckligen slutformatet, till exempel en matematisk avgränsare eller ett svarsfält. Modellens dokumenterade indata är text, så visuella belägg eller ljudunderlag behöver en lämplig separat representation före detta arbetsflöde. Kontrollera beräkningar, citat och genererad kod mot källan. Det användbara resultatet är en fullständig textleverans som kan granskas och där den fasta Instruct-2507-identiteten, det icke-tänkande läget och det villkorade långkontextförfarandet är tydliga.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-30b-a3b-instruct-2507 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0008 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0008 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Använd metodsökvägarna som visas ovan.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 är Qwens fasta icke-tänkande textutgåva från juli, 2507, med totalt 30,5 miljarder och 3,3 miljarder aktiverade parametrar. Den förbättrar instruktionsföljning, programmering, flerspråkig kunskap och öppet skrivande och har en inbyggd kontext på 262 144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Höjdpunkter: den fasta Instruct-2507-uppdateringen
Qwen3-30B-A3B-Instruct-2507 är den uppdaterade icke-tänkande utgåvan av Qwen3-30B-A3B. Tillverkaren framhåller förbättringar i instruktionsföljning, logiskt resonemang, textförståelse, matematik, naturvetenskap, programmering och verktygsanvändning, med bredare kunskap om mindre vanliga ämnen på flera språk och bättre anpassning till öppna uppgifter. Den tar emot text och producerar text: ett svar, en förklaring, ett kodförslag eller den begärda skriftliga leveransen.
Håll den fasta 2507-identiteten åtskild från den ursprungliga hybriden Qwen3-30B-A3B, dess FP8-version och Thinking-2507-utgåvan. Modellens beskrivning av flerspråkig kunskap ger ingen separat garanti för ett visst antal språk i denna ögonblicksversion. Ange målspråk, målgrupp och termer som ska vara oförändrade när uppgiften omfattar översättning eller omskrivning.
Modellöversikt
Mixture-of-experts-modellen har totalt 30,5 miljarder parametrar och aktiverar 3,3 miljarder. Den har 48 lager, 128 experter och åtta experter valda per token. Dess inbyggda kontext är 262 144 token. Aktiverade parametrar är inte hela kontrollpunktens storlek, och arkitekturen ensam fastställer ingen bestämd svarstid i en applikation.
Den här utgåvan stöder endast icke-tänkande läge och genererar inga uttryckliga tänkandeblock. Inställningen enable_thinking=False behövs inte i tillverkarens recept. Modellen kan ändå visa beräkningar eller förklara kod i vanlig text; en begäran om stödjande steg omvandlar den inte till den separata Thinking-kontrollpunkten.
Förbereda en användbar textbegäran
För en programmeringsuppgift bör du ange relevant funktion eller modul, begränsningar för indata, observerat beteende och önskat resultat. Be om en föreslagen kodändring eller fullständig funktion med en förklaring av de antaganden som påverkas. För en matematisk eller naturvetenskaplig fråga bör du ge hela uppgiftsbeskrivningen, enheter och definitioner och sedan begära ett tydligt avgränsat slutsvar som stöds av de angivna villkoren.
För en öppen skrivuppgift bör du ange målgrupp, syfte, ton och information som måste ingå. Ett användbart svar kan vara ett redigerbart utkast organiserat efter de begärda avsnitten, med antaganden som saknar stöd identifierade separat. Jämför det returnerade utkastet, beräkningarna eller kodförslaget med angivna fakta, definitioner och krav.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent för mallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Ange tillåtna åtgärder och observerbara villkor för att uppgiften ska vara klar. Anslutna verktyg utför externa operationer och returnerar observationer; modellen kan använda återkopplingen i ett efterföljande svar. Ett föreslaget kommando eller ett påstående om en hämtad källa bör hållas åtskilt från ett resultat som arbetsflödet faktiskt returnerat.
En tydlig slutleverans kan vara ett kodförslag, en tabell med belägg eller en kort rapport. Verktygsstöd skapar inte i sig tillgång till aktuella källor, filer eller en körmiljö genom varje gränssnitt. Bevara den exakta modellens svarsvillkor för icke-tänkande i stället för att föra över en hybridmodells promptväxlar eller en Thinking-utgåvas utrymme för utdata.
Bearbeta ultralång text
Tillverkaren dokumenterar ett valfritt arbetsflöde som når ungefär en miljon token genom Dual Chunk Attention och MInference sparse attention. Det första delar en lång sekvens i hanterbara delar samtidigt som interaktioner mellan delarna bevaras; det andra fokuserar beräkningen på utvalda uppmärksamhetsrelationer. Detta är en ytterligare konfigurationsväg utöver den inbyggda kontexten på 262 144, med en särskild långkontextkonfiguration.
Receptet uppskattar ungefär 240 GB totalt GPU-minne för modellvikter, cachat sekvenstillstånd och aktiveringar vid maximal belastning. Det beskriver även separata kapacitetsfel från sekvenscache, aktiveringsminne eller indata som överskrider den konfigurerade längden. Miljontokenflödet beror därför på konfiguration och resurser; rubriken bör inte behandlas som en ovillkorlig standardinställning.
Förbered omfattande indata med dokumentgränser, avsnittsnamn eller kodidentifierare och en konkret fråga. Reservera utrymme för svaret och begär de belägg som stöder varje slutsats.
Genereringsrekommendationer
Best Practices rekommenderar temperature 0.7, top_p 0.8, top_k 20 och min_p 0. Där det stöds kan presence penalty mellan noll och två minska upprepad text, medan högre värden kan blanda språk eller försämra kvaliteten något. Tillverkaren rekommenderar ett utrymme för utdata på 16 384 token för de flesta frågor, snarare än de större budgetar som dokumenteras för Thinking-2507. Detta är en rekommendation, inte ett separat fastställt hårt utdatatak.
Ange uttryckligen slutformatet, till exempel en matematisk avgränsare eller ett svarsfält. Modellens dokumenterade indata är text, så visuella belägg eller ljudunderlag behöver en lämplig separat representation före detta arbetsflöde. Kontrollera beräkningar, citat och genererad kod mot källan. Det användbara resultatet är en fullständig textleverans som kan granskas och där den fasta Instruct-2507-identiteten, det icke-tänkande läget och det villkorade långkontextförfarandet är tydliga.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-30b-a3b-instruct-2507 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0008 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0008 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.