Qwen3.8:s huvuddrag: uthålligt textresonemang
Qwen3.8-2.4T-A95B är den öppna Qwen3.8-kontrollpunkten för textresonemang. Qwen beskriver förbättringar inom kodning, professionellt arbete, forskning och långvariga agentuppgifter, inklusive planering och användning av återkoppling från miljön. Den tar emot text och returnerar text. Tillverkaren skiljer den uttryckligen från den hanterade tjänsten Qwen3.8-Max: bildindata och stöd för direktläge är ytterligare funktioner i den tjänsten, inte förmågor hos exakt denna öppna kontrollpunkt.
För en kodningsuppgift ska relevanta moduler, kravet och indata som visar det aktuella beteendet tillhandahållas. Begär en förklarad ändring och en slutartefakt som kan inspekteras. För en forsknings- eller yrkesrapport ska belägg, nödvändiga avsnitt och utvärderingskriterier ges; be sedan modellen skilja underbyggda fynd från antaganden. Detta är praktiska tillämpningar av det dokumenterade uppgiftsområdet, inte löften om körd kod eller expertcertifierade slutsatser.
Modellöversikt
Den glesa mixture-of-experts-modellen har totalt 2.4 biljoner parametrar och aktiverar 95 miljarder. Den har 92 lager och 512 routade experter och väljer tio routade experter tillsammans med en gemensam expert. Hybridblocken kombinerar Gated DeltaNet och gated attention med expertlager enligt ett mönster på tre mot ett. Flertokenprediktion ingår i träningen. Antalet aktiverade parametrar är inte den fullständiga kontrollpunktsstorleken, och ett stort totalt antal fastställer ingen garanti för svarstid.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning upp till 1,010,000. Det skiljer sig från referensen för hanterade Max, vars standardkontext är en miljon token. Använd den faktiska konfigurerade sekvensramen för källtext, samtalshistorik, resonemang och slutsvar i stället för att anta att alla största siffror gäller samtidigt.
Använda den specifika resonemangskontrollpunkten
Resonemang krävs vid varje interaktion och kan inte stängas av. Dokumenterade utdata inleds med ett resonemangsblock före sluttexten. reasoning_effort stöder xhigh, medium och low; xhigh är standard. Low minskar det avsedda djupet men förblir ett resonemangsläge. En begäran om ett kortfattat slutsvar kan styra önskad leverans utan att göra modellen till en utgåva utan resonemang.
preserve_thinking är aktiverat som standard. Att behålla resonemang från tidigare turer hjälper en iterativ uppgift att föra sin beslutskontext vidare. Håll rättelser, verktygsresultat och slutsvar kopplade till de turer som producerade dem. Modellen ska följa sitt eget historikkontrakt i stället för att ärva äldre råd att ta bort varje resonemangsblock från tidigare meddelanden. Exakt vilka kontroller för insats och bevarande som exponeras beror på gränssnittet som implementerar kontrollpunktens recept.
Utvecklingsmiljöer och återkoppling från miljön
Qwen beskriver kompatibilitet med utvecklingsmiljöer och verktyg. En uthållig uppgift kan uttryckas som ett mål, tillåtna åtgärder och belägg för slutförande; applikationen kan sedan tillhandahålla observationer från inspektion eller körning. Be modellen förklara hur varje nytt resultat ändrar planen och rapportera vad som förblir olöst. Att planera en åtgärd och få ett verkligt resultat är olika delar av flödet.
Modellkortets exempel för hanterade Max inkluderar ytterligare inbyggda verktyg. De ska inte omvandlas till automatisk webbsökning, kodkörning eller visuella indata för denna öppna modell. Dess användbara roll är en komponent för textresonemang i ett anslutet flöde; verktyg och externa effekter hör till applikationen som tillhandahåller dem.
Genereringsrekommendationer
Tillverkaren rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0. Där det stöds kan ett närvarostraff mellan noll och två minska upprepad text, men högre värden kan blanda språk eller sänka kvaliteten något. Parameterstödet varierar med implementationen.
För ett konfigurerat flöde med en miljon token och separata gränser för resonemang och slutsvar rekommenderar Qwen 262,144 token för resonemang och 131,072 för slutsvaret. Det är villkorade ramar, inte separat fastställda hårda tak eller budgetar som ryms tillsammans i den inbyggda kontexten på 262,144 token. Tilldela tillräckligt utrymme för en fullständig artefakt och begär ett slutresultat som är lätt att hitta efter resonemanget.
Praktiska begränsningar
Denna kontrollpunkt accepterar inte bilder, ljud eller video. Omvandla vid behov relevanta belägg till en lämplig textrepresentation genom ett separat flöde och behåll identifierare som gör det möjligt att kontrollera svaret. Modellkortet anger en utökad kontext men ger inget fullständigt utökningsrecept per uppgift eller någon universell mediegräns för denna rena textmodell. Bevara den exakta kontrollpunktsidentiteten och konfigurationen, kontrollera beräkningar och kodförslag mot källan och behandla slutartefakten som ett resultat att granska snarare än bevis för att en hel extern uppgift har slutförts.
", "aboutText": "Qwen3.8:s huvuddrag: uthålligt textresonemang\n\nQwen3.8-2.4T-A95B är den öppna Qwen3.8-kontrollpunkten för textresonemang. Qwen beskriver förbättringar inom kodning, professionellt arbete, forskning och långvariga agentuppgifter, inklusive planering och användning av återkoppling från miljön. Den tar emot text och returnerar text. Tillverkaren skiljer den uttryckligen från den hanterade tjänsten Qwen3.8-Max: bildindata och stöd för direktläge är ytterligare funktioner i den tjänsten, inte förmågor hos exakt denna öppna kontrollpunkt.\n\nFör en kodningsuppgift ska relevanta moduler, kravet och indata som visar det aktuella beteendet tillhandahållas. Begär en förklarad ändring och en slutartefakt som kan inspekteras. För en forsknings- eller yrkesrapport ska belägg, nödvändiga avsnitt och utvärderingskriterier ges; be sedan modellen skilja underbyggda fynd från antaganden. Detta är praktiska tillämpningar av det dokumenterade uppgiftsområdet, inte löften om körd kod eller expertcertifierade slutsatser.\n\nModellöversikt\n\nDen glesa mixture-of-experts-modellen har totalt 2.4 biljoner parametrar och aktiverar 95 miljarder. Den har 92 lager och 512 routade experter och väljer tio routade experter tillsammans med en gemensam expert. Hybridblocken kombinerar Gated DeltaNet och gated attention med expertlager enligt ett mönster på tre mot ett. Flertokenprediktion ingår i träningen. Antalet aktiverade parametrar är inte den fullständiga kontrollpunktsstorleken, och ett stort totalt antal fastställer ingen garanti för svarstid.\n\nDen inbyggda kontexten är 262,144 token, med dokumenterad utökning upp till 1,010,000. Det skiljer sig från referensen för hanterade Max, vars standardkontext är en miljon token. Använd den faktiska konfigurerade sekvensramen för källtext, samtalshistorik, resonemang och slutsvar i stället för att anta att alla största siffror gäller samtidigt.\n\nAnvända den specifika resonemangskontrollpunkten\n\nResonemang krävs vid varje interaktion och kan inte stängas av. Dokumenterade utdata inleds med ett resonemangsblock före sluttexten. reasoning_effort stöder xhigh, medium och low; xhigh är standard. Low minskar det avsedda djupet men förblir ett resonemangsläge. En begäran om ett kortfattat slutsvar kan styra önskad leverans utan att göra modellen till en utgåva utan resonemang.\n\npreserve_thinking är aktiverat som standard. Att behålla resonemang från tidigare turer hjälper en iterativ uppgift att föra sin beslutskontext vidare. Håll rättelser, verktygsresultat och slutsvar kopplade till de turer som producerade dem. Modellen ska följa sitt eget historikkontrakt i stället för att ärva äldre råd att ta bort varje resonemangsblock från tidigare meddelanden. Exakt vilka kontroller för insats och bevarande som exponeras beror på gränssnittet som implementerar kontrollpunktens recept.\n\nUtvecklingsmiljöer och återkoppling från miljön\n\nQwen beskriver kompatibilitet med utvecklingsmiljöer och verktyg. En uthållig uppgift kan uttryckas som ett mål, tillåtna åtgärder och belägg för slutförande; applikationen kan sedan tillhandahålla observationer från inspektion eller körning. Be modellen förklara hur varje nytt resultat ändrar planen och rapportera vad som förblir olöst. Att planera en åtgärd och få ett verkligt resultat är olika delar av flödet.\n\nModellkortets exempel för hanterade Max inkluderar ytterligare inbyggda verktyg. De ska inte omvandlas till automatisk webbsökning, kodkörning eller visuella indata för denna öppna modell. Dess användbara roll är en komponent för textresonemang i ett anslutet flöde; verktyg och externa effekter hör till applikationen som tillhandahåller dem.\n\nGenereringsrekommendationer\n\nTillverkaren rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0. Där det stöds kan ett närvarostraff mellan noll och två minska upprepad text, men högre värden kan blanda språk eller sänka kvaliteten något. Parameterstödet varierar med implementationen.\n\nFör ett konfigurerat flöde med en miljon token och separata gränser för resonemang och slutsvar rekommenderar Qwen 262,144 token för resonemang och 131,072 för slutsvaret. Det är villkorade ramar, inte separat fastställda hårda tak eller budgetar som ryms tillsammans i den inbyggda kontexten på 262,144 token. Tilldela tillräckligt utrymme för en fullständig artefakt och begär ett slutresultat som är lätt att hitta efter resonemanget.\n\nPraktiska begränsningar\n\nDenna kontrollpunkt accepterar inte bilder, ljud eller video. Omvandla vid behov relevanta belägg till en lämplig textrepresentation genom ett separat flöde och behåll identifierare som gör det möjligt att kontrollera svaret. Modellkortet anger en utökad kontext men ger inget fullständigt utökningsrecept per uppgift eller någon universell mediegräns för denna rena textmodell. Bevara den exakta kontrollpunktsidentiteten och konfigurationen, kontrollera beräkningar och kodförslag mot källan och behandla slutartefakten som ett resultat att granska snarare än bevis för att en hel extern uppgift har slutförts.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B är Qwens glesa mixture-of-experts-modell för textresonemang, med totalt 2.4 biljoner parametrar och 95 miljarder aktiverade. Denna öppna kontrollpunkt använder alltid resonemang, stöder justerbar resonemangsinsats och bevarar resonemangskontext för uthålliga kodnings- och yrkesuppgifter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.8:s huvuddrag: uthålligt textresonemang
Qwen3.8-2.4T-A95B är den öppna Qwen3.8-kontrollpunkten för textresonemang. Qwen beskriver förbättringar inom kodning, professionellt arbete, forskning och långvariga agentuppgifter, inklusive planering och användning av återkoppling från miljön. Den tar emot text och returnerar text. Tillverkaren skiljer den uttryckligen från den hanterade tjänsten Qwen3.8-Max: bildindata och stöd för direktläge är ytterligare funktioner i den tjänsten, inte förmågor hos exakt denna öppna kontrollpunkt.
För en kodningsuppgift ska relevanta moduler, kravet och indata som visar det aktuella beteendet tillhandahållas. Begär en förklarad ändring och en slutartefakt som kan inspekteras. För en forsknings- eller yrkesrapport ska belägg, nödvändiga avsnitt och utvärderingskriterier ges; be sedan modellen skilja underbyggda fynd från antaganden. Detta är praktiska tillämpningar av det dokumenterade uppgiftsområdet, inte löften om körd kod eller expertcertifierade slutsatser.
Modellöversikt
Den glesa mixture-of-experts-modellen har totalt 2.4 biljoner parametrar och aktiverar 95 miljarder. Den har 92 lager och 512 routade experter och väljer tio routade experter tillsammans med en gemensam expert. Hybridblocken kombinerar Gated DeltaNet och gated attention med expertlager enligt ett mönster på tre mot ett. Flertokenprediktion ingår i träningen. Antalet aktiverade parametrar är inte den fullständiga kontrollpunktsstorleken, och ett stort totalt antal fastställer ingen garanti för svarstid.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning upp till 1,010,000. Det skiljer sig från referensen för hanterade Max, vars standardkontext är en miljon token. Använd den faktiska konfigurerade sekvensramen för källtext, samtalshistorik, resonemang och slutsvar i stället för att anta att alla största siffror gäller samtidigt.
Använda den specifika resonemangskontrollpunkten
Resonemang krävs vid varje interaktion och kan inte stängas av. Dokumenterade utdata inleds med ett resonemangsblock före sluttexten. reasoning_effort stöder xhigh, medium och low; xhigh är standard. Low minskar det avsedda djupet men förblir ett resonemangsläge. En begäran om ett kortfattat slutsvar kan styra önskad leverans utan att göra modellen till en utgåva utan resonemang.
preserve_thinking är aktiverat som standard. Att behålla resonemang från tidigare turer hjälper en iterativ uppgift att föra sin beslutskontext vidare. Håll rättelser, verktygsresultat och slutsvar kopplade till de turer som producerade dem. Modellen ska följa sitt eget historikkontrakt i stället för att ärva äldre råd att ta bort varje resonemangsblock från tidigare meddelanden. Exakt vilka kontroller för insats och bevarande som exponeras beror på gränssnittet som implementerar kontrollpunktens recept.
Utvecklingsmiljöer och återkoppling från miljön
Qwen beskriver kompatibilitet med utvecklingsmiljöer och verktyg. En uthållig uppgift kan uttryckas som ett mål, tillåtna åtgärder och belägg för slutförande; applikationen kan sedan tillhandahålla observationer från inspektion eller körning. Be modellen förklara hur varje nytt resultat ändrar planen och rapportera vad som förblir olöst. Att planera en åtgärd och få ett verkligt resultat är olika delar av flödet.
Modellkortets exempel för hanterade Max inkluderar ytterligare inbyggda verktyg. De ska inte omvandlas till automatisk webbsökning, kodkörning eller visuella indata för denna öppna modell. Dess användbara roll är en komponent för textresonemang i ett anslutet flöde; verktyg och externa effekter hör till applikationen som tillhandahåller dem.
Genereringsrekommendationer
Tillverkaren rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0. Där det stöds kan ett närvarostraff mellan noll och två minska upprepad text, men högre värden kan blanda språk eller sänka kvaliteten något. Parameterstödet varierar med implementationen.
För ett konfigurerat flöde med en miljon token och separata gränser för resonemang och slutsvar rekommenderar Qwen 262,144 token för resonemang och 131,072 för slutsvaret. Det är villkorade ramar, inte separat fastställda hårda tak eller budgetar som ryms tillsammans i den inbyggda kontexten på 262,144 token. Tilldela tillräckligt utrymme för en fullständig artefakt och begär ett slutresultat som är lätt att hitta efter resonemanget.
Praktiska begränsningar
Denna kontrollpunkt accepterar inte bilder, ljud eller video. Omvandla vid behov relevanta belägg till en lämplig textrepresentation genom ett separat flöde och behåll identifierare som gör det möjligt att kontrollera svaret. Modellkortet anger en utökad kontext men ger inget fullständigt utökningsrecept per uppgift eller någon universell mediegräns för denna rena textmodell. Bevara den exakta kontrollpunktsidentiteten och konfigurationen, kontrollera beräkningar och kodförslag mot källan och behandla slutartefakten som ett resultat att granska snarare än bevis för att en hel extern uppgift har slutförts.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K token Utdata · Utdatatoken $0.012 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.005 / 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 $0.004 / 1K token Utdata · Utdatatoken $0.012 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.005 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B är Qwens glesa mixture-of-experts-modell för textresonemang, med totalt 2.4 biljoner parametrar och 95 miljarder aktiverade. Denna öppna kontrollpunkt använder alltid resonemang, stöder justerbar resonemangsinsats och bevarar resonemangskontext för uthålliga kodnings- och yrkesuppgifter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.8:s huvuddrag: uthålligt textresonemang
Qwen3.8-2.4T-A95B är den öppna Qwen3.8-kontrollpunkten för textresonemang. Qwen beskriver förbättringar inom kodning, professionellt arbete, forskning och långvariga agentuppgifter, inklusive planering och användning av återkoppling från miljön. Den tar emot text och returnerar text. Tillverkaren skiljer den uttryckligen från den hanterade tjänsten Qwen3.8-Max: bildindata och stöd för direktläge är ytterligare funktioner i den tjänsten, inte förmågor hos exakt denna öppna kontrollpunkt.
För en kodningsuppgift ska relevanta moduler, kravet och indata som visar det aktuella beteendet tillhandahållas. Begär en förklarad ändring och en slutartefakt som kan inspekteras. För en forsknings- eller yrkesrapport ska belägg, nödvändiga avsnitt och utvärderingskriterier ges; be sedan modellen skilja underbyggda fynd från antaganden. Detta är praktiska tillämpningar av det dokumenterade uppgiftsområdet, inte löften om körd kod eller expertcertifierade slutsatser.
Modellöversikt
Den glesa mixture-of-experts-modellen har totalt 2.4 biljoner parametrar och aktiverar 95 miljarder. Den har 92 lager och 512 routade experter och väljer tio routade experter tillsammans med en gemensam expert. Hybridblocken kombinerar Gated DeltaNet och gated attention med expertlager enligt ett mönster på tre mot ett. Flertokenprediktion ingår i träningen. Antalet aktiverade parametrar är inte den fullständiga kontrollpunktsstorleken, och ett stort totalt antal fastställer ingen garanti för svarstid.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning upp till 1,010,000. Det skiljer sig från referensen för hanterade Max, vars standardkontext är en miljon token. Använd den faktiska konfigurerade sekvensramen för källtext, samtalshistorik, resonemang och slutsvar i stället för att anta att alla största siffror gäller samtidigt.
Använda den specifika resonemangskontrollpunkten
Resonemang krävs vid varje interaktion och kan inte stängas av. Dokumenterade utdata inleds med ett resonemangsblock före sluttexten. reasoning_effort stöder xhigh, medium och low; xhigh är standard. Low minskar det avsedda djupet men förblir ett resonemangsläge. En begäran om ett kortfattat slutsvar kan styra önskad leverans utan att göra modellen till en utgåva utan resonemang.
preserve_thinking är aktiverat som standard. Att behålla resonemang från tidigare turer hjälper en iterativ uppgift att föra sin beslutskontext vidare. Håll rättelser, verktygsresultat och slutsvar kopplade till de turer som producerade dem. Modellen ska följa sitt eget historikkontrakt i stället för att ärva äldre råd att ta bort varje resonemangsblock från tidigare meddelanden. Exakt vilka kontroller för insats och bevarande som exponeras beror på gränssnittet som implementerar kontrollpunktens recept.
Utvecklingsmiljöer och återkoppling från miljön
Qwen beskriver kompatibilitet med utvecklingsmiljöer och verktyg. En uthållig uppgift kan uttryckas som ett mål, tillåtna åtgärder och belägg för slutförande; applikationen kan sedan tillhandahålla observationer från inspektion eller körning. Be modellen förklara hur varje nytt resultat ändrar planen och rapportera vad som förblir olöst. Att planera en åtgärd och få ett verkligt resultat är olika delar av flödet.
Modellkortets exempel för hanterade Max inkluderar ytterligare inbyggda verktyg. De ska inte omvandlas till automatisk webbsökning, kodkörning eller visuella indata för denna öppna modell. Dess användbara roll är en komponent för textresonemang i ett anslutet flöde; verktyg och externa effekter hör till applikationen som tillhandahåller dem.
Genereringsrekommendationer
Tillverkaren rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0. Där det stöds kan ett närvarostraff mellan noll och två minska upprepad text, men högre värden kan blanda språk eller sänka kvaliteten något. Parameterstödet varierar med implementationen.
För ett konfigurerat flöde med en miljon token och separata gränser för resonemang och slutsvar rekommenderar Qwen 262,144 token för resonemang och 131,072 för slutsvaret. Det är villkorade ramar, inte separat fastställda hårda tak eller budgetar som ryms tillsammans i den inbyggda kontexten på 262,144 token. Tilldela tillräckligt utrymme för en fullständig artefakt och begär ett slutresultat som är lätt att hitta efter resonemanget.
Praktiska begränsningar
Denna kontrollpunkt accepterar inte bilder, ljud eller video. Omvandla vid behov relevanta belägg till en lämplig textrepresentation genom ett separat flöde och behåll identifierare som gör det möjligt att kontrollera svaret. Modellkortet anger en utökad kontext men ger inget fullständigt utökningsrecept per uppgift eller någon universell mediegräns för denna rena textmodell. Bevara den exakta kontrollpunktsidentiteten och konfigurationen, kontrollera beräkningar och kodförslag mot källan och behandla slutartefakten som ett resultat att granska snarare än bevis för att en hel extern uppgift har slutförts.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K token Utdata · Utdatatoken $0.012 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.005 / 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 $0.004 / 1K token Utdata · Utdatatoken $0.012 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.005 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.