Qwen3.8:s huvuddrag i en tät modell för bild och språk
Qwen3.8-27B för in Qwen3.8:s förbättringar för kodning, professionellt arbete, forskning och agentuppgifter i en tät modell med 27 miljarder parametrar. Den tar emot text, bilder och video och returnerar text. Dess dokumenterade visuella område omfattar STEM-diagram, dokumentsidor och timslånga videor. Den är en separat kontrollpunkt från den mycket större, rent textbaserade Qwen3.8-2.4T-A95B, så deras indatamöjligheter och resonemangskontrakt ska förbli åtskilda.
Qwen betonar autonom planering, användning av återkoppling från miljön och integration med utvecklingsmiljöer. För en agentuppgift ska målet, relevant material, tillåtna verktyg och belägg för slutförande anges. En modell kan föreslå och revidera åtgärder med hjälp av returnerade resultat; ansluten programvara utför åtgärderna. Begär slutartefakten och olösta villkor i stället för att behandla en plan som ett utfört resultat.
Modellöversikt
27B-modellen har 64 språkmodellager. Dess hybridlayout grupperar tre Gated DeltaNet-lager följda av ett gated-attention-lager, med täta framåtriktade nätverk. Den tränas med flertokenprediktion och inkluderar en bildkodare. Arkitekturvalen beskriver den släppta modellen; de innebär inte att varje driftsättning har identisk minnesanvändning eller latens.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning till 1,000,000. Text, visuell representation, samtalshistorik, resonemang och slututdata delar den konfigurerade sekvensbudgeten. Tillverkaren diskuterar separat en hanterad utgåva med ytterligare funktioner; dessa funktioner ska inte automatiskt tillskrivas den öppna kontrollpunkten.
Använda text, bilder och video
För en koduppgift ska relevant funktion eller modul, indata som utlöser felet och förväntat beteende tillhandahållas; begär sedan en patch med berörda antaganden och kontroller. För ett diagram ska etiketter bevaras och hela frågan ges. För ett dokument ska namngivna fält eller slutsatser med sidreferenser begäras. För video ska den intressanta händelsen anges och dess timing bevaras.
Tillverkarens videoexempel använder som standard två bildrutor per sekund i sitt stödda tjänsteflöde, med valfria samplingskontroller. En bred scenbeskrivning och en kort händelse kan behöva olika sampling. Råden för lång video rekommenderar att videoprocessorns budget utökas för att stödja sampling med högre frekvens för timslångt material, med ett exempel som motsvarar omkring 224K videotoken. Detta kräver konfiguration och konkurrerar med annat kontextinnehåll; det är ingen universell garanti för klippvaraktighet.
Resonemang och historiska resonemang
Resonemang är aktiverat som standard och kan stängas av per begäran genom tillverkarens kontroll enable_thinking. reasoning_effort stöder xhigh, medium och low, med xhigh som standard. Lägre insats kan förkorta en enskild tur, men Qwen varnar för att otillräcklig analys i agentuppgifter kan orsaka fel och upprepat arbete, vilket ökar den totala slutförandetiden.
preserve_thinking är aktiverat som standard och behåller resonemangsblock från historiska meddelanden för kontinuitet. Om det stängs av behålls bara resonemangsblock som genererats under hanteringen av det senaste användarmeddelandet. Det skiljer sig från äldre Qwen-råd som helt tar bort historiska resonemang. Håll resonemang och slutinnehåll åtskilda i gränssnittet och bevara det exakta samtalsformat som kontrollpunkten förväntar sig. Tillverkarens kontroller fastställer inte vilka parametrar en annan applikation exponerar.
Genereringsråd
För resonemang rekommenderar Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0. För direkta svar rekommenderas respektive 0.7, 0.8, 20, 0, 1.5 och 1.0. Ett högre närvarostraff kan minska upprepning men kan blanda språk eller sänka kvaliteten något.
I ett konfigurerat flöde med en miljon token som stöder separata gränser rekommenderar tillverkaren ramar på 262,144 token för resonemang och 131,072 för slutsvaret. Detta är villkorade budgetrekommendationer, inte oberoende hårda utdatatak eller tilldelningar som samtidigt ryms i den inbyggda kontexten.
Ultralång kontext och begränsningar
Den dokumenterade utökningen använder YaRN med modellens egna sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med en miljon token; för en arbetslast runt 524,288 token föreslår tillverkaren en faktor på två. Statisk skalning kan påverka kvaliteten för kortare text, så Qwen rekommenderar att den aktiveras när den längre kontexten behövs. Kopiera inte en annan Qwen-VL-utgåvas extrapoleringsfaktor utan dess eget recept.
Håll långa indata organiserade efter dokument-, sid- eller kodidentifierare och begär ett kontrollerbart resultat. Verifiera beräkningar, små visuella etiketter och genererade patchar mot källan. Lång kontext, bevarade resonemang och större videobudgetar hjälper till att föra fler belägg genom uppgiften; de fastställer inte i sig fullständig återgivning, korrekt resonemang eller en slutförd extern åtgärd.
", "aboutText": "Qwen3.8:s huvuddrag i en tät modell för bild och språk\n\nQwen3.8-27B för in Qwen3.8:s förbättringar för kodning, professionellt arbete, forskning och agentuppgifter i en tät modell med 27 miljarder parametrar. Den tar emot text, bilder och video och returnerar text. Dess dokumenterade visuella område omfattar STEM-diagram, dokumentsidor och timslånga videor. Den är en separat kontrollpunkt från den mycket större, rent textbaserade Qwen3.8-2.4T-A95B, så deras indatamöjligheter och resonemangskontrakt ska förbli åtskilda.\n\nQwen betonar autonom planering, användning av återkoppling från miljön och integration med utvecklingsmiljöer. För en agentuppgift ska målet, relevant material, tillåtna verktyg och belägg för slutförande anges. En modell kan föreslå och revidera åtgärder med hjälp av returnerade resultat; ansluten programvara utför åtgärderna. Begär slutartefakten och olösta villkor i stället för att behandla en plan som ett utfört resultat.\n\nModellöversikt\n\n27B-modellen har 64 språkmodellager. Dess hybridlayout grupperar tre Gated DeltaNet-lager följda av ett gated-attention-lager, med täta framåtriktade nätverk. Den tränas med flertokenprediktion och inkluderar en bildkodare. Arkitekturvalen beskriver den släppta modellen; de innebär inte att varje driftsättning har identisk minnesanvändning eller latens.\n\nDen inbyggda kontexten är 262,144 token, med dokumenterad utökning till 1,000,000. Text, visuell representation, samtalshistorik, resonemang och slututdata delar den konfigurerade sekvensbudgeten. Tillverkaren diskuterar separat en hanterad utgåva med ytterligare funktioner; dessa funktioner ska inte automatiskt tillskrivas den öppna kontrollpunkten.\n\nAnvända text, bilder och video\n\nFör en koduppgift ska relevant funktion eller modul, indata som utlöser felet och förväntat beteende tillhandahållas; begär sedan en patch med berörda antaganden och kontroller. För ett diagram ska etiketter bevaras och hela frågan ges. För ett dokument ska namngivna fält eller slutsatser med sidreferenser begäras. För video ska den intressanta händelsen anges och dess timing bevaras.\n\nTillverkarens videoexempel använder som standard två bildrutor per sekund i sitt stödda tjänsteflöde, med valfria samplingskontroller. En bred scenbeskrivning och en kort händelse kan behöva olika sampling. Råden för lång video rekommenderar att videoprocessorns budget utökas för att stödja sampling med högre frekvens för timslångt material, med ett exempel som motsvarar omkring 224K videotoken. Detta kräver konfiguration och konkurrerar med annat kontextinnehåll; det är ingen universell garanti för klippvaraktighet.\n\nResonemang och historiska resonemang\n\nResonemang är aktiverat som standard och kan stängas av per begäran genom tillverkarens kontroll enable_thinking. reasoning_effort stöder xhigh, medium och low, med xhigh som standard. Lägre insats kan förkorta en enskild tur, men Qwen varnar för att otillräcklig analys i agentuppgifter kan orsaka fel och upprepat arbete, vilket ökar den totala slutförandetiden.\n\npreserve_thinking är aktiverat som standard och behåller resonemangsblock från historiska meddelanden för kontinuitet. Om det stängs av behålls bara resonemangsblock som genererats under hanteringen av det senaste användarmeddelandet. Det skiljer sig från äldre Qwen-råd som helt tar bort historiska resonemang. Håll resonemang och slutinnehåll åtskilda i gränssnittet och bevara det exakta samtalsformat som kontrollpunkten förväntar sig. Tillverkarens kontroller fastställer inte vilka parametrar en annan applikation exponerar.\n\nGenereringsråd\n\nFör resonemang rekommenderar Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0. För direkta svar rekommenderas respektive 0.7, 0.8, 20, 0, 1.5 och 1.0. Ett högre närvarostraff kan minska upprepning men kan blanda språk eller sänka kvaliteten något.\n\nI ett konfigurerat flöde med en miljon token som stöder separata gränser rekommenderar tillverkaren ramar på 262,144 token för resonemang och 131,072 för slutsvaret. Detta är villkorade budgetrekommendationer, inte oberoende hårda utdatatak eller tilldelningar som samtidigt ryms i den inbyggda kontexten.\n\nUltralång kontext och begränsningar\n\nDen dokumenterade utökningen använder YaRN med modellens egna sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med en miljon token; för en arbetslast runt 524,288 token föreslår tillverkaren en faktor på två. Statisk skalning kan påverka kvaliteten för kortare text, så Qwen rekommenderar att den aktiveras när den längre kontexten behövs. Kopiera inte en annan Qwen-VL-utgåvas extrapoleringsfaktor utan dess eget recept.\n\nHåll långa indata organiserade efter dokument-, sid- eller kodidentifierare och begär ett kontrollerbart resultat. Verifiera beräkningar, små visuella etiketter och genererade patchar mot källan. Lång kontext, bevarade resonemang och större videobudgetar hjälper till att föra fler belägg genom uppgiften; de fastställer inte i sig fullständig återgivning, korrekt resonemang eller en slutförd extern åtgärd.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B är Qwens täta modell för bild och språk som tar emot text, bilder och video och returnerar text. Den kombinerar kodning och agentarbete över många steg med valbart resonemang, bevarande av resonemang och en inbyggd kontext på 262,144 token, utökbar till en miljon genom konfiguration.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.8:s huvuddrag i en tät modell för bild och språk
Qwen3.8-27B för in Qwen3.8:s förbättringar för kodning, professionellt arbete, forskning och agentuppgifter i en tät modell med 27 miljarder parametrar. Den tar emot text, bilder och video och returnerar text. Dess dokumenterade visuella område omfattar STEM-diagram, dokumentsidor och timslånga videor. Den är en separat kontrollpunkt från den mycket större, rent textbaserade Qwen3.8-2.4T-A95B, så deras indatamöjligheter och resonemangskontrakt ska förbli åtskilda.
Qwen betonar autonom planering, användning av återkoppling från miljön och integration med utvecklingsmiljöer. För en agentuppgift ska målet, relevant material, tillåtna verktyg och belägg för slutförande anges. En modell kan föreslå och revidera åtgärder med hjälp av returnerade resultat; ansluten programvara utför åtgärderna. Begär slutartefakten och olösta villkor i stället för att behandla en plan som ett utfört resultat.
Modellöversikt
27B-modellen har 64 språkmodellager. Dess hybridlayout grupperar tre Gated DeltaNet-lager följda av ett gated-attention-lager, med täta framåtriktade nätverk. Den tränas med flertokenprediktion och inkluderar en bildkodare. Arkitekturvalen beskriver den släppta modellen; de innebär inte att varje driftsättning har identisk minnesanvändning eller latens.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning till 1,000,000. Text, visuell representation, samtalshistorik, resonemang och slututdata delar den konfigurerade sekvensbudgeten. Tillverkaren diskuterar separat en hanterad utgåva med ytterligare funktioner; dessa funktioner ska inte automatiskt tillskrivas den öppna kontrollpunkten.
Använda text, bilder och video
För en koduppgift ska relevant funktion eller modul, indata som utlöser felet och förväntat beteende tillhandahållas; begär sedan en patch med berörda antaganden och kontroller. För ett diagram ska etiketter bevaras och hela frågan ges. För ett dokument ska namngivna fält eller slutsatser med sidreferenser begäras. För video ska den intressanta händelsen anges och dess timing bevaras.
Tillverkarens videoexempel använder som standard två bildrutor per sekund i sitt stödda tjänsteflöde, med valfria samplingskontroller. En bred scenbeskrivning och en kort händelse kan behöva olika sampling. Råden för lång video rekommenderar att videoprocessorns budget utökas för att stödja sampling med högre frekvens för timslångt material, med ett exempel som motsvarar omkring 224K videotoken. Detta kräver konfiguration och konkurrerar med annat kontextinnehåll; det är ingen universell garanti för klippvaraktighet.
Resonemang och historiska resonemang
Resonemang är aktiverat som standard och kan stängas av per begäran genom tillverkarens kontroll enable_thinking. reasoning_effort stöder xhigh, medium och low, med xhigh som standard. Lägre insats kan förkorta en enskild tur, men Qwen varnar för att otillräcklig analys i agentuppgifter kan orsaka fel och upprepat arbete, vilket ökar den totala slutförandetiden.
preserve_thinking är aktiverat som standard och behåller resonemangsblock från historiska meddelanden för kontinuitet. Om det stängs av behålls bara resonemangsblock som genererats under hanteringen av det senaste användarmeddelandet. Det skiljer sig från äldre Qwen-råd som helt tar bort historiska resonemang. Håll resonemang och slutinnehåll åtskilda i gränssnittet och bevara det exakta samtalsformat som kontrollpunkten förväntar sig. Tillverkarens kontroller fastställer inte vilka parametrar en annan applikation exponerar.
Genereringsråd
För resonemang rekommenderar Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0. För direkta svar rekommenderas respektive 0.7, 0.8, 20, 0, 1.5 och 1.0. Ett högre närvarostraff kan minska upprepning men kan blanda språk eller sänka kvaliteten något.
I ett konfigurerat flöde med en miljon token som stöder separata gränser rekommenderar tillverkaren ramar på 262,144 token för resonemang och 131,072 för slutsvaret. Detta är villkorade budgetrekommendationer, inte oberoende hårda utdatatak eller tilldelningar som samtidigt ryms i den inbyggda kontexten.
Ultralång kontext och begränsningar
Den dokumenterade utökningen använder YaRN med modellens egna sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med en miljon token; för en arbetslast runt 524,288 token föreslår tillverkaren en faktor på två. Statisk skalning kan påverka kvaliteten för kortare text, så Qwen rekommenderar att den aktiveras när den längre kontexten behövs. Kopiera inte en annan Qwen-VL-utgåvas extrapoleringsfaktor utan dess eget recept.
Håll långa indata organiserade efter dokument-, sid- eller kodidentifierare och begär ett kontrollerbart resultat. Verifiera beräkningar, små visuella etiketter och genererade patchar mot källan. Lång kontext, bevarade resonemang och större videobudgetar hjälper till att föra fler belägg genom uppgiften; de fastställer inte i sig fullständig återgivning, korrekt resonemang eller en slutförd extern åtgärd.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.8-27b | 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 $0.00085 / 1K token Utdata · Utdatatoken $0.0051 / 1K token Indata · Cacheläsning $0.00017 / 1K token Indata · Skrivning till cache $0.0010625 / 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 $0.00085 / 1K token Utdata · Utdatatoken $0.0051 / 1K token Indata · Cacheläsning $0.00017 / 1K token Indata · Skrivning till cache $0.0010625 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.8-27bQwen3.8-27B är Qwens täta modell för bild och språk som tar emot text, bilder och video och returnerar text. Den kombinerar kodning och agentarbete över många steg med valbart resonemang, bevarande av resonemang och en inbyggd kontext på 262,144 token, utökbar till en miljon genom konfiguration.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.8:s huvuddrag i en tät modell för bild och språk
Qwen3.8-27B för in Qwen3.8:s förbättringar för kodning, professionellt arbete, forskning och agentuppgifter i en tät modell med 27 miljarder parametrar. Den tar emot text, bilder och video och returnerar text. Dess dokumenterade visuella område omfattar STEM-diagram, dokumentsidor och timslånga videor. Den är en separat kontrollpunkt från den mycket större, rent textbaserade Qwen3.8-2.4T-A95B, så deras indatamöjligheter och resonemangskontrakt ska förbli åtskilda.
Qwen betonar autonom planering, användning av återkoppling från miljön och integration med utvecklingsmiljöer. För en agentuppgift ska målet, relevant material, tillåtna verktyg och belägg för slutförande anges. En modell kan föreslå och revidera åtgärder med hjälp av returnerade resultat; ansluten programvara utför åtgärderna. Begär slutartefakten och olösta villkor i stället för att behandla en plan som ett utfört resultat.
Modellöversikt
27B-modellen har 64 språkmodellager. Dess hybridlayout grupperar tre Gated DeltaNet-lager följda av ett gated-attention-lager, med täta framåtriktade nätverk. Den tränas med flertokenprediktion och inkluderar en bildkodare. Arkitekturvalen beskriver den släppta modellen; de innebär inte att varje driftsättning har identisk minnesanvändning eller latens.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning till 1,000,000. Text, visuell representation, samtalshistorik, resonemang och slututdata delar den konfigurerade sekvensbudgeten. Tillverkaren diskuterar separat en hanterad utgåva med ytterligare funktioner; dessa funktioner ska inte automatiskt tillskrivas den öppna kontrollpunkten.
Använda text, bilder och video
För en koduppgift ska relevant funktion eller modul, indata som utlöser felet och förväntat beteende tillhandahållas; begär sedan en patch med berörda antaganden och kontroller. För ett diagram ska etiketter bevaras och hela frågan ges. För ett dokument ska namngivna fält eller slutsatser med sidreferenser begäras. För video ska den intressanta händelsen anges och dess timing bevaras.
Tillverkarens videoexempel använder som standard två bildrutor per sekund i sitt stödda tjänsteflöde, med valfria samplingskontroller. En bred scenbeskrivning och en kort händelse kan behöva olika sampling. Råden för lång video rekommenderar att videoprocessorns budget utökas för att stödja sampling med högre frekvens för timslångt material, med ett exempel som motsvarar omkring 224K videotoken. Detta kräver konfiguration och konkurrerar med annat kontextinnehåll; det är ingen universell garanti för klippvaraktighet.
Resonemang och historiska resonemang
Resonemang är aktiverat som standard och kan stängas av per begäran genom tillverkarens kontroll enable_thinking. reasoning_effort stöder xhigh, medium och low, med xhigh som standard. Lägre insats kan förkorta en enskild tur, men Qwen varnar för att otillräcklig analys i agentuppgifter kan orsaka fel och upprepat arbete, vilket ökar den totala slutförandetiden.
preserve_thinking är aktiverat som standard och behåller resonemangsblock från historiska meddelanden för kontinuitet. Om det stängs av behålls bara resonemangsblock som genererats under hanteringen av det senaste användarmeddelandet. Det skiljer sig från äldre Qwen-råd som helt tar bort historiska resonemang. Håll resonemang och slutinnehåll åtskilda i gränssnittet och bevara det exakta samtalsformat som kontrollpunkten förväntar sig. Tillverkarens kontroller fastställer inte vilka parametrar en annan applikation exponerar.
Genereringsråd
För resonemang rekommenderar Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0. För direkta svar rekommenderas respektive 0.7, 0.8, 20, 0, 1.5 och 1.0. Ett högre närvarostraff kan minska upprepning men kan blanda språk eller sänka kvaliteten något.
I ett konfigurerat flöde med en miljon token som stöder separata gränser rekommenderar tillverkaren ramar på 262,144 token för resonemang och 131,072 för slutsvaret. Detta är villkorade budgetrekommendationer, inte oberoende hårda utdatatak eller tilldelningar som samtidigt ryms i den inbyggda kontexten.
Ultralång kontext och begränsningar
Den dokumenterade utökningen använder YaRN med modellens egna sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med en miljon token; för en arbetslast runt 524,288 token föreslår tillverkaren en faktor på två. Statisk skalning kan påverka kvaliteten för kortare text, så Qwen rekommenderar att den aktiveras när den längre kontexten behövs. Kopiera inte en annan Qwen-VL-utgåvas extrapoleringsfaktor utan dess eget recept.
Håll långa indata organiserade efter dokument-, sid- eller kodidentifierare och begär ett kontrollerbart resultat. Verifiera beräkningar, små visuella etiketter och genererade patchar mot källan. Lång kontext, bevarade resonemang och större videobudgetar hjälper till att föra fler belägg genom uppgiften; de fastställer inte i sig fullständig återgivning, korrekt resonemang eller en slutförd extern åtgärd.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.8-27b | 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 $0.00085 / 1K token Utdata · Utdatatoken $0.0051 / 1K token Indata · Cacheläsning $0.00017 / 1K token Indata · Skrivning till cache $0.0010625 / 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 $0.00085 / 1K token Utdata · Utdatatoken $0.0051 / 1K token Indata · Cacheläsning $0.00017 / 1K token Indata · Skrivning till cache $0.0010625 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.