I fokus: en modell byggd för kodningsagenter
Qwen3-Coder-Next är en öppen textmodell som är särskilt utformad för kodningsagenter och utvecklingsflöden. Qwen beskriver problemlösning över långa förlopp, komplex verktygsanvändning och återhämtning från exekveringsfel, tillsammans med anpassningsförmåga till olika utvecklingsramverk för agenter. Den tar emot text och producerar text, inklusive kod, förklaringar och verktygsbegäranden. Just denna Coder-Next-modellversion har ett eget kontrakt utan thinking-läge; den bredare Next-familjens Thinking-varianter bör inte ersätta den.
För en utvecklingsuppgift ska du tillhandahålla relevanta filer eller utdrag, det avsedda beteendet och de indata som demonstrerar ett problem. Be om en redigerbar ändring och en förklaring knuten till dessa villkor. För en uppgift som omfattar flera steg ska du definiera målet, tillåtna verktyg och de observationer som skulle visa att uppgiften är slutförd. Granska den föreslagna kodändringen och dess förklaring mot de tillhandahållna filerna, de felutlösande indata och kriterierna för slutförande.
Modellöversikt
Modellen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 48 lager upprepar tre Gated DeltaNet-expertlager följda av ett expertlager med gated attention. Tillverkaren anger 512 experter, tio aktiverade experter och en delad expert. Det låga antalet aktiverade parametrar är en beräkningsegenskap hos den glest aktiverade modellen, inte storleken på hela modellversionen.
Den inbyggda kontexten är 262,144 token. Tillverkarens exempel tillåter en mindre kontext, som 32,768, när minnesbegränsningar hindrar den större konfigurationen från att fungera. Källkod, historik, verktygsobservationer och genererad text måste rymmas inom den konfigurerade sekvensbudgeten. Modellkortet fastställer inte någon standardutökning till en miljon token för denna modellversion.
Använda textgränssnittet utan thinking-läge
Coder-Next stöder endast läge utan thinking och genererar inga uttryckliga thinking-block. Att ställa in enable_thinking=False är onödigt i tillverkarens exempel. Den kan ändå förklara en patch, diskutera en algoritm eller resonera genom vanlig text; non-thinking beskriver dess utmatningsläge och förbjuder inte förklaringar.
Snabbstarten ber om en sorteringsalgoritm och använder en genereringsbudget på 65,536 token. Det värdet är en exempelbudget, inte en separat publicerad hård utmatningsgräns. Ange artefaktens format och krav: språket, relevanta gränssnitt, nödvändigt beteende och om svaret ska innehålla en patch, en komplett funktion eller en förklaring. Håll det redigerbara resultatet separat från kommentarer så att det enkelt kan granskas.
Utvecklingsramverk för agenter och kontext
Tillverkaren betonar kompatibilitet med agentramverk av CLI- och IDE-typ, inklusive Qwen Code. Ett sådant ramverk tillhandahåller projektstatus, verktygsdefinitioner, observationer och konversationsformat. Bevara dessa indata konsekvent under en uppgift i flera steg. När ett verktyg rapporterar en misslyckad kontroll ska du tillhandahålla det faktiska felet och relevant ändrad kod i stället för att bara be modellen försöka igen.
Arbete över långa förlopp gynnas av ett synligt uppgiftsläge: vad som observerats, vilken ändring som föreslås och vilket villkor som förblir olöst. En verktygsobservation skiljer sig från ett påstående i genererad text. Modellens förmåga att återhämta sig från fel bör inte behandlas som automatiskt tillstånd att köra kommandon eller som en garanti för att varje återhämtningsförsök lyckas.
Agentbaserad kodning och verktygsanrop
Qwen dokumenterar verktygsdefinitioner i funktionsformat med namn, beskrivningar, indatascheman och obligatoriska fält. Tillhandahåll en exakt definition och den förväntade innebörden av returvärdet. Applikationen exekverar ett valt verktyg och returnerar dess resultat; modellen använder sedan det resultatet i nästa steg. Verktygsanrop i sig ger inte åtkomst till ett filsystem, aktuella källor eller en exekveringsmiljö.
För en agent som redigerar ett kodarkiv ska du avgränsa de tillåtna filerna och den begärda leveransen. En användbar slutrapport kan identifiera berörda moduler, förklara ändringen och lista verkliga resultat som returnerats av de anslutna kontrollerna. Håll föreslagna kommandon, genererad kod och slutförda åtgärder åtskilda. Detta är praktiska exempel på arbetsflöden grundade i den dokumenterade omfattningen för utveckling och verktyg.
Genereringsrekommendationer
Tillverkaren rekommenderar temperature 1.0, top_p 0.95 och top_k 40. Dessa exakta inställningar skiljer sig från flera Qwen-modeller för konversation och bör förbli en del av Coder-Nexts eget recept. Den publicerade konfigurationen använder en arkitektur av typen Qwen3-Next för kausal språkmodellering. Använd denna modellversions dokumenterade modellnamn och chattmall konsekvent genom kodningsflödet.
Väsentliga begränsningar
Dokumenterade indata är text, så skärmbilder, ljud eller video kräver en lämplig separat representation före detta kodningsflöde. Inbyggd kontext och genereringsbudgetar i exemplen är ändliga; skär bort orelaterad kod och reservera utrymme för den begärda artefakten. Kontrollera genererad syntax, gränssnitt, gränsfall och föreslagna ändringar i det verkliga utvecklingsflödet. Det användbara resultatet är en granskningsbar kod- eller förklaringsartefakt som stöds av faktiska belägg från uppgiften, med denna modellversions identitet som enbart text och utan thinking-läge bevarad.
", "aboutText": "I fokus: en modell byggd för kodningsagenter\n\nQwen3-Coder-Next är en öppen textmodell som är särskilt utformad för kodningsagenter och utvecklingsflöden. Qwen beskriver problemlösning över långa förlopp, komplex verktygsanvändning och återhämtning från exekveringsfel, tillsammans med anpassningsförmåga till olika utvecklingsramverk för agenter. Den tar emot text och producerar text, inklusive kod, förklaringar och verktygsbegäranden. Just denna Coder-Next-modellversion har ett eget kontrakt utan thinking-läge; den bredare Next-familjens Thinking-varianter bör inte ersätta den.\n\nFör en utvecklingsuppgift ska du tillhandahålla relevanta filer eller utdrag, det avsedda beteendet och de indata som demonstrerar ett problem. Be om en redigerbar ändring och en förklaring knuten till dessa villkor. För en uppgift som omfattar flera steg ska du definiera målet, tillåtna verktyg och de observationer som skulle visa att uppgiften är slutförd. Granska den föreslagna kodändringen och dess förklaring mot de tillhandahållna filerna, de felutlösande indata och kriterierna för slutförande.\n\nModellöversikt\n\nModellen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 48 lager upprepar tre Gated DeltaNet-expertlager följda av ett expertlager med gated attention. Tillverkaren anger 512 experter, tio aktiverade experter och en delad expert. Det låga antalet aktiverade parametrar är en beräkningsegenskap hos den glest aktiverade modellen, inte storleken på hela modellversionen.\n\nDen inbyggda kontexten är 262,144 token. Tillverkarens exempel tillåter en mindre kontext, som 32,768, när minnesbegränsningar hindrar den större konfigurationen från att fungera. Källkod, historik, verktygsobservationer och genererad text måste rymmas inom den konfigurerade sekvensbudgeten. Modellkortet fastställer inte någon standardutökning till en miljon token för denna modellversion.\n\nAnvända textgränssnittet utan thinking-läge\n\nCoder-Next stöder endast läge utan thinking och genererar inga uttryckliga thinking-block. Att ställa in enable_thinking=False är onödigt i tillverkarens exempel. Den kan ändå förklara en patch, diskutera en algoritm eller resonera genom vanlig text; non-thinking beskriver dess utmatningsläge och förbjuder inte förklaringar.\n\nSnabbstarten ber om en sorteringsalgoritm och använder en genereringsbudget på 65,536 token. Det värdet är en exempelbudget, inte en separat publicerad hård utmatningsgräns. Ange artefaktens format och krav: språket, relevanta gränssnitt, nödvändigt beteende och om svaret ska innehålla en patch, en komplett funktion eller en förklaring. Håll det redigerbara resultatet separat från kommentarer så att det enkelt kan granskas.\n\nUtvecklingsramverk för agenter och kontext\n\nTillverkaren betonar kompatibilitet med agentramverk av CLI- och IDE-typ, inklusive Qwen Code. Ett sådant ramverk tillhandahåller projektstatus, verktygsdefinitioner, observationer och konversationsformat. Bevara dessa indata konsekvent under en uppgift i flera steg. När ett verktyg rapporterar en misslyckad kontroll ska du tillhandahålla det faktiska felet och relevant ändrad kod i stället för att bara be modellen försöka igen.\n\nArbete över långa förlopp gynnas av ett synligt uppgiftsläge: vad som observerats, vilken ändring som föreslås och vilket villkor som förblir olöst. En verktygsobservation skiljer sig från ett påstående i genererad text. Modellens förmåga att återhämta sig från fel bör inte behandlas som automatiskt tillstånd att köra kommandon eller som en garanti för att varje återhämtningsförsök lyckas.\n\nAgentbaserad kodning och verktygsanrop\n\nQwen dokumenterar verktygsdefinitioner i funktionsformat med namn, beskrivningar, indatascheman och obligatoriska fält. Tillhandahåll en exakt definition och den förväntade innebörden av returvärdet. Applikationen exekverar ett valt verktyg och returnerar dess resultat; modellen använder sedan det resultatet i nästa steg. Verktygsanrop i sig ger inte åtkomst till ett filsystem, aktuella källor eller en exekveringsmiljö.\n\nFör en agent som redigerar ett kodarkiv ska du avgränsa de tillåtna filerna och den begärda leveransen. En användbar slutrapport kan identifiera berörda moduler, förklara ändringen och lista verkliga resultat som returnerats av de anslutna kontrollerna. Håll föreslagna kommandon, genererad kod och slutförda åtgärder åtskilda. Detta är praktiska exempel på arbetsflöden grundade i den dokumenterade omfattningen för utveckling och verktyg.\n\nGenereringsrekommendationer\n\nTillverkaren rekommenderar temperature 1.0, top_p 0.95 och top_k 40. Dessa exakta inställningar skiljer sig från flera Qwen-modeller för konversation och bör förbli en del av Coder-Nexts eget recept. Den publicerade konfigurationen använder en arkitektur av typen Qwen3-Next för kausal språkmodellering. Använd denna modellversions dokumenterade modellnamn och chattmall konsekvent genom kodningsflödet.\n\nVäsentliga begränsningar\n\nDokumenterade indata är text, så skärmbilder, ljud eller video kräver en lämplig separat representation före detta kodningsflöde. Inbyggd kontext och genereringsbudgetar i exemplen är ändliga; skär bort orelaterad kod och reservera utrymme för den begärda artefakten. Kontrollera genererad syntax, gränssnitt, gränsfall och föreslagna ändringar i det verkliga utvecklingsflödet. Det användbara resultatet är en granskningsbar kod- eller förklaringsartefakt som stöds av faktiska belägg från uppgiften, med denna modellversions identitet som enbart text och utan thinking-läge bevarad.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next är Qwens kodningsagentmodell för enbart text med totalt 80 miljarder och 3 miljarder aktiverade parametrar. Den använder utdata utan thinking-block, en inbyggd kontext på 262,144 token och verktygsanrop för utvecklingsflöden, inklusive arbete i flera steg och återhämtning utifrån återkoppling från exekvering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
I fokus: en modell byggd för kodningsagenter
Qwen3-Coder-Next är en öppen textmodell som är särskilt utformad för kodningsagenter och utvecklingsflöden. Qwen beskriver problemlösning över långa förlopp, komplex verktygsanvändning och återhämtning från exekveringsfel, tillsammans med anpassningsförmåga till olika utvecklingsramverk för agenter. Den tar emot text och producerar text, inklusive kod, förklaringar och verktygsbegäranden. Just denna Coder-Next-modellversion har ett eget kontrakt utan thinking-läge; den bredare Next-familjens Thinking-varianter bör inte ersätta den.
För en utvecklingsuppgift ska du tillhandahålla relevanta filer eller utdrag, det avsedda beteendet och de indata som demonstrerar ett problem. Be om en redigerbar ändring och en förklaring knuten till dessa villkor. För en uppgift som omfattar flera steg ska du definiera målet, tillåtna verktyg och de observationer som skulle visa att uppgiften är slutförd. Granska den föreslagna kodändringen och dess förklaring mot de tillhandahållna filerna, de felutlösande indata och kriterierna för slutförande.
Modellöversikt
Modellen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 48 lager upprepar tre Gated DeltaNet-expertlager följda av ett expertlager med gated attention. Tillverkaren anger 512 experter, tio aktiverade experter och en delad expert. Det låga antalet aktiverade parametrar är en beräkningsegenskap hos den glest aktiverade modellen, inte storleken på hela modellversionen.
Den inbyggda kontexten är 262,144 token. Tillverkarens exempel tillåter en mindre kontext, som 32,768, när minnesbegränsningar hindrar den större konfigurationen från att fungera. Källkod, historik, verktygsobservationer och genererad text måste rymmas inom den konfigurerade sekvensbudgeten. Modellkortet fastställer inte någon standardutökning till en miljon token för denna modellversion.
Använda textgränssnittet utan thinking-läge
Coder-Next stöder endast läge utan thinking och genererar inga uttryckliga thinking-block. Att ställa in enable_thinking=False är onödigt i tillverkarens exempel. Den kan ändå förklara en patch, diskutera en algoritm eller resonera genom vanlig text; non-thinking beskriver dess utmatningsläge och förbjuder inte förklaringar.
Snabbstarten ber om en sorteringsalgoritm och använder en genereringsbudget på 65,536 token. Det värdet är en exempelbudget, inte en separat publicerad hård utmatningsgräns. Ange artefaktens format och krav: språket, relevanta gränssnitt, nödvändigt beteende och om svaret ska innehålla en patch, en komplett funktion eller en förklaring. Håll det redigerbara resultatet separat från kommentarer så att det enkelt kan granskas.
Utvecklingsramverk för agenter och kontext
Tillverkaren betonar kompatibilitet med agentramverk av CLI- och IDE-typ, inklusive Qwen Code. Ett sådant ramverk tillhandahåller projektstatus, verktygsdefinitioner, observationer och konversationsformat. Bevara dessa indata konsekvent under en uppgift i flera steg. När ett verktyg rapporterar en misslyckad kontroll ska du tillhandahålla det faktiska felet och relevant ändrad kod i stället för att bara be modellen försöka igen.
Arbete över långa förlopp gynnas av ett synligt uppgiftsläge: vad som observerats, vilken ändring som föreslås och vilket villkor som förblir olöst. En verktygsobservation skiljer sig från ett påstående i genererad text. Modellens förmåga att återhämta sig från fel bör inte behandlas som automatiskt tillstånd att köra kommandon eller som en garanti för att varje återhämtningsförsök lyckas.
Agentbaserad kodning och verktygsanrop
Qwen dokumenterar verktygsdefinitioner i funktionsformat med namn, beskrivningar, indatascheman och obligatoriska fält. Tillhandahåll en exakt definition och den förväntade innebörden av returvärdet. Applikationen exekverar ett valt verktyg och returnerar dess resultat; modellen använder sedan det resultatet i nästa steg. Verktygsanrop i sig ger inte åtkomst till ett filsystem, aktuella källor eller en exekveringsmiljö.
För en agent som redigerar ett kodarkiv ska du avgränsa de tillåtna filerna och den begärda leveransen. En användbar slutrapport kan identifiera berörda moduler, förklara ändringen och lista verkliga resultat som returnerats av de anslutna kontrollerna. Håll föreslagna kommandon, genererad kod och slutförda åtgärder åtskilda. Detta är praktiska exempel på arbetsflöden grundade i den dokumenterade omfattningen för utveckling och verktyg.
Genereringsrekommendationer
Tillverkaren rekommenderar temperature 1.0, top_p 0.95 och top_k 40. Dessa exakta inställningar skiljer sig från flera Qwen-modeller för konversation och bör förbli en del av Coder-Nexts eget recept. Den publicerade konfigurationen använder en arkitektur av typen Qwen3-Next för kausal språkmodellering. Använd denna modellversions dokumenterade modellnamn och chattmall konsekvent genom kodningsflödet.
Väsentliga begränsningar
Dokumenterade indata är text, så skärmbilder, ljud eller video kräver en lämplig separat representation före detta kodningsflöde. Inbyggd kontext och genereringsbudgetar i exemplen är ändliga; skär bort orelaterad kod och reservera utrymme för den begärda artefakten. Kontrollera genererad syntax, gränssnitt, gränsfall och föreslagna ändringar i det verkliga utvecklingsflödet. Det användbara resultatet är en granskningsbar kod- eller förklaringsartefakt som stöds av faktiska belägg från uppgiften, med denna modellversions identitet som enbart text och utan thinking-läge bevarad.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-coder-next | 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 $0.00024 / 1K token Utdata · Utdatatoken $0.0016 / 1K token Indata · Cacheläsning $0.00014 / 1K token Indata · Skrivning till cache — / 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 $0.00024 / 1K token Utdata · Utdatatoken $0.0016 / 1K token Indata · Cacheläsning $0.00014 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Använd metodsökvägarna som visas ovan.
qwen/qwen3-coder-nextQwen3-Coder-Next är Qwens kodningsagentmodell för enbart text med totalt 80 miljarder och 3 miljarder aktiverade parametrar. Den använder utdata utan thinking-block, en inbyggd kontext på 262,144 token och verktygsanrop för utvecklingsflöden, inklusive arbete i flera steg och återhämtning utifrån återkoppling från exekvering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
I fokus: en modell byggd för kodningsagenter
Qwen3-Coder-Next är en öppen textmodell som är särskilt utformad för kodningsagenter och utvecklingsflöden. Qwen beskriver problemlösning över långa förlopp, komplex verktygsanvändning och återhämtning från exekveringsfel, tillsammans med anpassningsförmåga till olika utvecklingsramverk för agenter. Den tar emot text och producerar text, inklusive kod, förklaringar och verktygsbegäranden. Just denna Coder-Next-modellversion har ett eget kontrakt utan thinking-läge; den bredare Next-familjens Thinking-varianter bör inte ersätta den.
För en utvecklingsuppgift ska du tillhandahålla relevanta filer eller utdrag, det avsedda beteendet och de indata som demonstrerar ett problem. Be om en redigerbar ändring och en förklaring knuten till dessa villkor. För en uppgift som omfattar flera steg ska du definiera målet, tillåtna verktyg och de observationer som skulle visa att uppgiften är slutförd. Granska den föreslagna kodändringen och dess förklaring mot de tillhandahållna filerna, de felutlösande indata och kriterierna för slutförande.
Modellöversikt
Modellen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 48 lager upprepar tre Gated DeltaNet-expertlager följda av ett expertlager med gated attention. Tillverkaren anger 512 experter, tio aktiverade experter och en delad expert. Det låga antalet aktiverade parametrar är en beräkningsegenskap hos den glest aktiverade modellen, inte storleken på hela modellversionen.
Den inbyggda kontexten är 262,144 token. Tillverkarens exempel tillåter en mindre kontext, som 32,768, när minnesbegränsningar hindrar den större konfigurationen från att fungera. Källkod, historik, verktygsobservationer och genererad text måste rymmas inom den konfigurerade sekvensbudgeten. Modellkortet fastställer inte någon standardutökning till en miljon token för denna modellversion.
Använda textgränssnittet utan thinking-läge
Coder-Next stöder endast läge utan thinking och genererar inga uttryckliga thinking-block. Att ställa in enable_thinking=False är onödigt i tillverkarens exempel. Den kan ändå förklara en patch, diskutera en algoritm eller resonera genom vanlig text; non-thinking beskriver dess utmatningsläge och förbjuder inte förklaringar.
Snabbstarten ber om en sorteringsalgoritm och använder en genereringsbudget på 65,536 token. Det värdet är en exempelbudget, inte en separat publicerad hård utmatningsgräns. Ange artefaktens format och krav: språket, relevanta gränssnitt, nödvändigt beteende och om svaret ska innehålla en patch, en komplett funktion eller en förklaring. Håll det redigerbara resultatet separat från kommentarer så att det enkelt kan granskas.
Utvecklingsramverk för agenter och kontext
Tillverkaren betonar kompatibilitet med agentramverk av CLI- och IDE-typ, inklusive Qwen Code. Ett sådant ramverk tillhandahåller projektstatus, verktygsdefinitioner, observationer och konversationsformat. Bevara dessa indata konsekvent under en uppgift i flera steg. När ett verktyg rapporterar en misslyckad kontroll ska du tillhandahålla det faktiska felet och relevant ändrad kod i stället för att bara be modellen försöka igen.
Arbete över långa förlopp gynnas av ett synligt uppgiftsläge: vad som observerats, vilken ändring som föreslås och vilket villkor som förblir olöst. En verktygsobservation skiljer sig från ett påstående i genererad text. Modellens förmåga att återhämta sig från fel bör inte behandlas som automatiskt tillstånd att köra kommandon eller som en garanti för att varje återhämtningsförsök lyckas.
Agentbaserad kodning och verktygsanrop
Qwen dokumenterar verktygsdefinitioner i funktionsformat med namn, beskrivningar, indatascheman och obligatoriska fält. Tillhandahåll en exakt definition och den förväntade innebörden av returvärdet. Applikationen exekverar ett valt verktyg och returnerar dess resultat; modellen använder sedan det resultatet i nästa steg. Verktygsanrop i sig ger inte åtkomst till ett filsystem, aktuella källor eller en exekveringsmiljö.
För en agent som redigerar ett kodarkiv ska du avgränsa de tillåtna filerna och den begärda leveransen. En användbar slutrapport kan identifiera berörda moduler, förklara ändringen och lista verkliga resultat som returnerats av de anslutna kontrollerna. Håll föreslagna kommandon, genererad kod och slutförda åtgärder åtskilda. Detta är praktiska exempel på arbetsflöden grundade i den dokumenterade omfattningen för utveckling och verktyg.
Genereringsrekommendationer
Tillverkaren rekommenderar temperature 1.0, top_p 0.95 och top_k 40. Dessa exakta inställningar skiljer sig från flera Qwen-modeller för konversation och bör förbli en del av Coder-Nexts eget recept. Den publicerade konfigurationen använder en arkitektur av typen Qwen3-Next för kausal språkmodellering. Använd denna modellversions dokumenterade modellnamn och chattmall konsekvent genom kodningsflödet.
Väsentliga begränsningar
Dokumenterade indata är text, så skärmbilder, ljud eller video kräver en lämplig separat representation före detta kodningsflöde. Inbyggd kontext och genereringsbudgetar i exemplen är ändliga; skär bort orelaterad kod och reservera utrymme för den begärda artefakten. Kontrollera genererad syntax, gränssnitt, gränsfall och föreslagna ändringar i det verkliga utvecklingsflödet. Det användbara resultatet är en granskningsbar kod- eller förklaringsartefakt som stöds av faktiska belägg från uppgiften, med denna modellversions identitet som enbart text och utan thinking-läge bevarad.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-coder-next | 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 $0.00024 / 1K token Utdata · Utdatatoken $0.0016 / 1K token Indata · Cacheläsning $0.00014 / 1K token Indata · Skrivning till cache — / 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 $0.00024 / 1K token Utdata · Utdatatoken $0.0016 / 1K token Indata · Cacheläsning $0.00014 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.