Qwen3-Next i fokus: direkta textinstruktioner
Qwen3-Next-80B-A3B-Instruct är den instruktionsföljande textvarianten av Qwen3-Next utan thinking-läge. Den tar emot text och returnerar text, inklusive förklaringar, kodförslag och begärda dokumentartefakter. Den genererar inga uttryckliga thinking-block. Håll den åtskild från Thinking-varianten och den kodningsspecialiserade Qwen3-Coder-Next; en gemensam familjearkitektur gör inte deras svarskontrakt utbytbara.
Familjen introducerar hybriduppmärksamhet som kombinerar Gated DeltaNet och gated attention, experter med hög gleshet i aktiveringen, stabilitetsoptimeringar inklusive nollcentrerad lagernormalisering med viktavklingning samt prediktion av flera token. Dessa förändringar rör representationen och träningen av långa sekvenser. Deras inferenseffektivitet beror på implementationen, så arkitektursiffror bör inte omvandlas till en fast garanti för latens eller genomströmning.
Modellöversikt
Modellversionen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Den har 48 lager i ett upprepat expertmönster med tre DeltaNet-lager per lager med gated attention. Tillverkaren anger 512 experter, tio aktiverade experter och en delad expert, med förträning på 15 biljoner token följt av efterträning. Aktiverade parametrar är inte storleken på hela modellversionen.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning till 1,010,000. Tillverkarens driftsättningsexempel tillåter en mindre kontext, som 32,768, när resursbegränsningar hindrar den större inställningen från att fungera. Text, konversationshistorik, verktygsobservationer och genererat innehåll delar den konfigurerade sekvensbudgeten. Utökningen är en ytterligare konfigurationsväg snarare än obegränsade indata som standard.
Använda instruct-gränssnittet
Denna modell stöder endast det instruktionsföljande läget utan thinking. Den kan förklara en algoritm, visa beräkningar eller motivera en slutsats i vanlig text utan att producera ett särskilt thinking-block. Be om artefaktens format och avgränsning: en komplett funktion, en kortfattad rapport, en tabell med belägg eller ett svar med stödjande steg. En begäran om en lång förklaring omvandlar den inte till den separat namngivna Thinking-modellversionen.
För en dokumentuppgift ska du bevara avsnittsidentifierare och definiera vilka frågor rapporten måste besvara. För kod ska du tillhandahålla relevant funktion eller modul, indatabegränsningar och förväntade utdata. För matematik ska du ge hela problemformuleringen och be om ett avgränsat slutresultat. Jämför de returnerade beräkningarna, koden eller förklaringen med de tillhandahållna villkoren och faktiska resultaten.
Implementation och verktyg
Tillverkaren dokumenterar verktygsanrop och rekommenderar Qwen-Agent för mallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Ett anslutet arbetsflöde kan tillhandahålla informationshämtning, granskning eller tillåten exekvering och returnera faktiska observationer. Ange verktygen, tillåtna åtgärder och synliga villkor för slutförande och be sedan om en slutrapport som skiljer förslag från verkliga returnerade resultat.
Prediktion av flera token är en del av träningen, men användningen vid inferens beror på implementationen och är inte generellt tillgänglig i varje lättviktigt arbetsflöde. En mall eller arkitekturegenskap etablerar inte i sig åtkomst till aktuella källor, filer eller en kodmiljö. Bevara den exakta modell och det konversationsformat som används av det valda gränssnittet.
Ultralång text
Tillverkaren validerar en kontext på ungefär en miljon token med YaRN och ger ett recept med en faktor på fyra baserat på 262,144 inbyggda positioner. För arbetsbelastningar på 524,288 token föreslås en faktor på två. Statisk skalning kan försämra prestandan för kortare texter, så konfigurationen bör följa det faktiska behovet av längre indata.
Håll långt material organiserat efter dokument, kodsökväg eller avsnitt och ta bort orelaterade upprepningar. Be modellen att i svaret identifiera de stödjande textavsnitten eller villkoren. Reservera utrymme för svaret i stället för att behandla det största kontexttalet som fullständig återgivning av varje tillhandahållen detalj ur minnet. Den publicerade utökningssiffran 1,010,000 och valideringen kring en miljon förblir avgränsade till tillverkarens arbetsflöde för lång kontext.
Vägledning för generering
Rekommendationerna för bästa praxis anger temperature 0.7, top_p 0.8, top_k 20 och min_p 0. Där detta stöds kan en presence penalty mellan noll och två minska upprepad text, men högre värden kan blanda språk eller sänka kvaliteten något. Tillverkaren rekommenderar en utmatningsbudget på 16,384 token för de flesta frågor. Detta är en rekommenderad genereringsbudget snarare än en oberoende hård maxgräns; den bör inte ärva Thinking-variantens längre budgetar.
Ange resultatformen uttryckligen, till exempel en matematisk avgränsare eller ett svarsfält. Håll den slutliga artefakten lätt att granska och verifiera dess beräkningar, citat eller kod mot källan. Denna variant för enbart text tar inte emot bilder, ljud eller video som egna indata, så sådant material behöver en lämplig separat representation innan det kan stödja uppgiften.
Praktiskt resultat
Det användbara resultatet är en konkret textartefakt förankrad i de tillhandahållna villkoren: en dokumentförklaring, ett kodförslag eller ett direkt svar med den stödjande detaljnivå som krävs. Lång kontext och verktygsanrop kan hjälpa till att föra fler belägg genom ett arbetsflöde, medan kontraktet utan thinking-läge håller just denna variants utmatningsstil tydlig. Kontrollera resultatet i den verkliga uppgiftsmiljön i stället för att dra slutsatser om korrekthet utifrån dess längd eller självsäkra formuleringar.
", "aboutText": "Qwen3-Next i fokus: direkta textinstruktioner\n\nQwen3-Next-80B-A3B-Instruct är den instruktionsföljande textvarianten av Qwen3-Next utan thinking-läge. Den tar emot text och returnerar text, inklusive förklaringar, kodförslag och begärda dokumentartefakter. Den genererar inga uttryckliga thinking-block. Håll den åtskild från Thinking-varianten och den kodningsspecialiserade Qwen3-Coder-Next; en gemensam familjearkitektur gör inte deras svarskontrakt utbytbara.\n\nFamiljen introducerar hybriduppmärksamhet som kombinerar Gated DeltaNet och gated attention, experter med hög gleshet i aktiveringen, stabilitetsoptimeringar inklusive nollcentrerad lagernormalisering med viktavklingning samt prediktion av flera token. Dessa förändringar rör representationen och träningen av långa sekvenser. Deras inferenseffektivitet beror på implementationen, så arkitektursiffror bör inte omvandlas till en fast garanti för latens eller genomströmning.\n\nModellöversikt\n\nModellversionen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Den har 48 lager i ett upprepat expertmönster med tre DeltaNet-lager per lager med gated attention. Tillverkaren anger 512 experter, tio aktiverade experter och en delad expert, med förträning på 15 biljoner token följt av efterträning. Aktiverade parametrar är inte storleken på hela modellversionen.\n\nDen inbyggda kontexten är 262,144 token, med dokumenterad utökning till 1,010,000. Tillverkarens driftsättningsexempel tillåter en mindre kontext, som 32,768, när resursbegränsningar hindrar den större inställningen från att fungera. Text, konversationshistorik, verktygsobservationer och genererat innehåll delar den konfigurerade sekvensbudgeten. Utökningen är en ytterligare konfigurationsväg snarare än obegränsade indata som standard.\n\nAnvända instruct-gränssnittet\n\nDenna modell stöder endast det instruktionsföljande läget utan thinking. Den kan förklara en algoritm, visa beräkningar eller motivera en slutsats i vanlig text utan att producera ett särskilt thinking-block. Be om artefaktens format och avgränsning: en komplett funktion, en kortfattad rapport, en tabell med belägg eller ett svar med stödjande steg. En begäran om en lång förklaring omvandlar den inte till den separat namngivna Thinking-modellversionen.\n\nFör en dokumentuppgift ska du bevara avsnittsidentifierare och definiera vilka frågor rapporten måste besvara. För kod ska du tillhandahålla relevant funktion eller modul, indatabegränsningar och förväntade utdata. För matematik ska du ge hela problemformuleringen och be om ett avgränsat slutresultat. Jämför de returnerade beräkningarna, koden eller förklaringen med de tillhandahållna villkoren och faktiska resultaten.\n\nImplementation och verktyg\n\nTillverkaren dokumenterar verktygsanrop och rekommenderar Qwen-Agent för mallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Ett anslutet arbetsflöde kan tillhandahålla informationshämtning, granskning eller tillåten exekvering och returnera faktiska observationer. Ange verktygen, tillåtna åtgärder och synliga villkor för slutförande och be sedan om en slutrapport som skiljer förslag från verkliga returnerade resultat.\n\nPrediktion av flera token är en del av träningen, men användningen vid inferens beror på implementationen och är inte generellt tillgänglig i varje lättviktigt arbetsflöde. En mall eller arkitekturegenskap etablerar inte i sig åtkomst till aktuella källor, filer eller en kodmiljö. Bevara den exakta modell och det konversationsformat som används av det valda gränssnittet.\n\nUltralång text\n\nTillverkaren validerar en kontext på ungefär en miljon token med YaRN och ger ett recept med en faktor på fyra baserat på 262,144 inbyggda positioner. För arbetsbelastningar på 524,288 token föreslås en faktor på två. Statisk skalning kan försämra prestandan för kortare texter, så konfigurationen bör följa det faktiska behovet av längre indata.\n\nHåll långt material organiserat efter dokument, kodsökväg eller avsnitt och ta bort orelaterade upprepningar. Be modellen att i svaret identifiera de stödjande textavsnitten eller villkoren. Reservera utrymme för svaret i stället för att behandla det största kontexttalet som fullständig återgivning av varje tillhandahållen detalj ur minnet. Den publicerade utökningssiffran 1,010,000 och valideringen kring en miljon förblir avgränsade till tillverkarens arbetsflöde för lång kontext.\n\nVägledning för generering\n\nRekommendationerna för bästa praxis anger temperature 0.7, top_p 0.8, top_k 20 och min_p 0. Där detta stöds kan en presence penalty mellan noll och två minska upprepad text, men högre värden kan blanda språk eller sänka kvaliteten något. Tillverkaren rekommenderar en utmatningsbudget på 16,384 token för de flesta frågor. Detta är en rekommenderad genereringsbudget snarare än en oberoende hård maxgräns; den bör inte ärva Thinking-variantens längre budgetar.\n\nAnge resultatformen uttryckligen, till exempel en matematisk avgränsare eller ett svarsfält. Håll den slutliga artefakten lätt att granska och verifiera dess beräkningar, citat eller kod mot källan. Denna variant för enbart text tar inte emot bilder, ljud eller video som egna indata, så sådant material behöver en lämplig separat representation innan det kan stödja uppgiften.\n\nPraktiskt resultat\n\nDet användbara resultatet är en konkret textartefakt förankrad i de tillhandahållna villkoren: en dokumentförklaring, ett kodförslag eller ett direkt svar med den stödjande detaljnivå som krävs. Lång kontext och verktygsanrop kan hjälpa till att föra fler belägg genom ett arbetsflöde, medan kontraktet utan thinking-läge håller just denna variants utmatningsstil tydlig. Kontrollera resultatet i den verkliga uppgiftsmiljön i stället för att dra slutsatser om korrekthet utifrån dess längd eller självsäkra formuleringar.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct är Qwens textvariant utan thinking-läge med totalt 80 miljarder och 3 miljarder aktiverade parametrar. Den kombinerar hybriduppmärksamhet, glest aktiverade experter och verktygsanrop med en inbyggd kontext på 262,144 token, som kan utökas till 1,010,000 genom konfiguration.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-Next i fokus: direkta textinstruktioner
Qwen3-Next-80B-A3B-Instruct är den instruktionsföljande textvarianten av Qwen3-Next utan thinking-läge. Den tar emot text och returnerar text, inklusive förklaringar, kodförslag och begärda dokumentartefakter. Den genererar inga uttryckliga thinking-block. Håll den åtskild från Thinking-varianten och den kodningsspecialiserade Qwen3-Coder-Next; en gemensam familjearkitektur gör inte deras svarskontrakt utbytbara.
Familjen introducerar hybriduppmärksamhet som kombinerar Gated DeltaNet och gated attention, experter med hög gleshet i aktiveringen, stabilitetsoptimeringar inklusive nollcentrerad lagernormalisering med viktavklingning samt prediktion av flera token. Dessa förändringar rör representationen och träningen av långa sekvenser. Deras inferenseffektivitet beror på implementationen, så arkitektursiffror bör inte omvandlas till en fast garanti för latens eller genomströmning.
Modellöversikt
Modellversionen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Den har 48 lager i ett upprepat expertmönster med tre DeltaNet-lager per lager med gated attention. Tillverkaren anger 512 experter, tio aktiverade experter och en delad expert, med förträning på 15 biljoner token följt av efterträning. Aktiverade parametrar är inte storleken på hela modellversionen.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning till 1,010,000. Tillverkarens driftsättningsexempel tillåter en mindre kontext, som 32,768, när resursbegränsningar hindrar den större inställningen från att fungera. Text, konversationshistorik, verktygsobservationer och genererat innehåll delar den konfigurerade sekvensbudgeten. Utökningen är en ytterligare konfigurationsväg snarare än obegränsade indata som standard.
Använda instruct-gränssnittet
Denna modell stöder endast det instruktionsföljande läget utan thinking. Den kan förklara en algoritm, visa beräkningar eller motivera en slutsats i vanlig text utan att producera ett särskilt thinking-block. Be om artefaktens format och avgränsning: en komplett funktion, en kortfattad rapport, en tabell med belägg eller ett svar med stödjande steg. En begäran om en lång förklaring omvandlar den inte till den separat namngivna Thinking-modellversionen.
För en dokumentuppgift ska du bevara avsnittsidentifierare och definiera vilka frågor rapporten måste besvara. För kod ska du tillhandahålla relevant funktion eller modul, indatabegränsningar och förväntade utdata. För matematik ska du ge hela problemformuleringen och be om ett avgränsat slutresultat. Jämför de returnerade beräkningarna, koden eller förklaringen med de tillhandahållna villkoren och faktiska resultaten.
Implementation och verktyg
Tillverkaren dokumenterar verktygsanrop och rekommenderar Qwen-Agent för mallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Ett anslutet arbetsflöde kan tillhandahålla informationshämtning, granskning eller tillåten exekvering och returnera faktiska observationer. Ange verktygen, tillåtna åtgärder och synliga villkor för slutförande och be sedan om en slutrapport som skiljer förslag från verkliga returnerade resultat.
Prediktion av flera token är en del av träningen, men användningen vid inferens beror på implementationen och är inte generellt tillgänglig i varje lättviktigt arbetsflöde. En mall eller arkitekturegenskap etablerar inte i sig åtkomst till aktuella källor, filer eller en kodmiljö. Bevara den exakta modell och det konversationsformat som används av det valda gränssnittet.
Ultralång text
Tillverkaren validerar en kontext på ungefär en miljon token med YaRN och ger ett recept med en faktor på fyra baserat på 262,144 inbyggda positioner. För arbetsbelastningar på 524,288 token föreslås en faktor på två. Statisk skalning kan försämra prestandan för kortare texter, så konfigurationen bör följa det faktiska behovet av längre indata.
Håll långt material organiserat efter dokument, kodsökväg eller avsnitt och ta bort orelaterade upprepningar. Be modellen att i svaret identifiera de stödjande textavsnitten eller villkoren. Reservera utrymme för svaret i stället för att behandla det största kontexttalet som fullständig återgivning av varje tillhandahållen detalj ur minnet. Den publicerade utökningssiffran 1,010,000 och valideringen kring en miljon förblir avgränsade till tillverkarens arbetsflöde för lång kontext.
Vägledning för generering
Rekommendationerna för bästa praxis anger temperature 0.7, top_p 0.8, top_k 20 och min_p 0. Där detta stöds kan en presence penalty mellan noll och två minska upprepad text, men högre värden kan blanda språk eller sänka kvaliteten något. Tillverkaren rekommenderar en utmatningsbudget på 16,384 token för de flesta frågor. Detta är en rekommenderad genereringsbudget snarare än en oberoende hård maxgräns; den bör inte ärva Thinking-variantens längre budgetar.
Ange resultatformen uttryckligen, till exempel en matematisk avgränsare eller ett svarsfält. Håll den slutliga artefakten lätt att granska och verifiera dess beräkningar, citat eller kod mot källan. Denna variant för enbart text tar inte emot bilder, ljud eller video som egna indata, så sådant material behöver en lämplig separat representation innan det kan stödja uppgiften.
Praktiskt resultat
Det användbara resultatet är en konkret textartefakt förankrad i de tillhandahållna villkoren: en dokumentförklaring, ett kodförslag eller ett direkt svar med den stödjande detaljnivå som krävs. Lång kontext och verktygsanrop kan hjälpa till att föra fler belägg genom ett arbetsflöde, medan kontraktet utan thinking-läge håller just denna variants utmatningsstil tydlig. Kontrollera resultatet i den verkliga uppgiftsmiljön i stället för att dra slutsatser om korrekthet utifrån dess längd eller självsäkra formuleringar.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K token Utdata · Utdatatoken $0.0022 / 1K token Indata · Cacheläsning $0.00014 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000286 / 1K token Utdata · Utdatatoken $0.0022 / 1K token Indata · Cacheläsning $0.00014 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-instruct", "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-next-80b-a3b-instruct',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-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Använd metodsökvägarna som visas ovan.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct är Qwens textvariant utan thinking-läge med totalt 80 miljarder och 3 miljarder aktiverade parametrar. Den kombinerar hybriduppmärksamhet, glest aktiverade experter och verktygsanrop med en inbyggd kontext på 262,144 token, som kan utökas till 1,010,000 genom konfiguration.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-Next i fokus: direkta textinstruktioner
Qwen3-Next-80B-A3B-Instruct är den instruktionsföljande textvarianten av Qwen3-Next utan thinking-läge. Den tar emot text och returnerar text, inklusive förklaringar, kodförslag och begärda dokumentartefakter. Den genererar inga uttryckliga thinking-block. Håll den åtskild från Thinking-varianten och den kodningsspecialiserade Qwen3-Coder-Next; en gemensam familjearkitektur gör inte deras svarskontrakt utbytbara.
Familjen introducerar hybriduppmärksamhet som kombinerar Gated DeltaNet och gated attention, experter med hög gleshet i aktiveringen, stabilitetsoptimeringar inklusive nollcentrerad lagernormalisering med viktavklingning samt prediktion av flera token. Dessa förändringar rör representationen och träningen av långa sekvenser. Deras inferenseffektivitet beror på implementationen, så arkitektursiffror bör inte omvandlas till en fast garanti för latens eller genomströmning.
Modellöversikt
Modellversionen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Den har 48 lager i ett upprepat expertmönster med tre DeltaNet-lager per lager med gated attention. Tillverkaren anger 512 experter, tio aktiverade experter och en delad expert, med förträning på 15 biljoner token följt av efterträning. Aktiverade parametrar är inte storleken på hela modellversionen.
Den inbyggda kontexten är 262,144 token, med dokumenterad utökning till 1,010,000. Tillverkarens driftsättningsexempel tillåter en mindre kontext, som 32,768, när resursbegränsningar hindrar den större inställningen från att fungera. Text, konversationshistorik, verktygsobservationer och genererat innehåll delar den konfigurerade sekvensbudgeten. Utökningen är en ytterligare konfigurationsväg snarare än obegränsade indata som standard.
Använda instruct-gränssnittet
Denna modell stöder endast det instruktionsföljande läget utan thinking. Den kan förklara en algoritm, visa beräkningar eller motivera en slutsats i vanlig text utan att producera ett särskilt thinking-block. Be om artefaktens format och avgränsning: en komplett funktion, en kortfattad rapport, en tabell med belägg eller ett svar med stödjande steg. En begäran om en lång förklaring omvandlar den inte till den separat namngivna Thinking-modellversionen.
För en dokumentuppgift ska du bevara avsnittsidentifierare och definiera vilka frågor rapporten måste besvara. För kod ska du tillhandahålla relevant funktion eller modul, indatabegränsningar och förväntade utdata. För matematik ska du ge hela problemformuleringen och be om ett avgränsat slutresultat. Jämför de returnerade beräkningarna, koden eller förklaringen med de tillhandahållna villkoren och faktiska resultaten.
Implementation och verktyg
Tillverkaren dokumenterar verktygsanrop och rekommenderar Qwen-Agent för mallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Ett anslutet arbetsflöde kan tillhandahålla informationshämtning, granskning eller tillåten exekvering och returnera faktiska observationer. Ange verktygen, tillåtna åtgärder och synliga villkor för slutförande och be sedan om en slutrapport som skiljer förslag från verkliga returnerade resultat.
Prediktion av flera token är en del av träningen, men användningen vid inferens beror på implementationen och är inte generellt tillgänglig i varje lättviktigt arbetsflöde. En mall eller arkitekturegenskap etablerar inte i sig åtkomst till aktuella källor, filer eller en kodmiljö. Bevara den exakta modell och det konversationsformat som används av det valda gränssnittet.
Ultralång text
Tillverkaren validerar en kontext på ungefär en miljon token med YaRN och ger ett recept med en faktor på fyra baserat på 262,144 inbyggda positioner. För arbetsbelastningar på 524,288 token föreslås en faktor på två. Statisk skalning kan försämra prestandan för kortare texter, så konfigurationen bör följa det faktiska behovet av längre indata.
Håll långt material organiserat efter dokument, kodsökväg eller avsnitt och ta bort orelaterade upprepningar. Be modellen att i svaret identifiera de stödjande textavsnitten eller villkoren. Reservera utrymme för svaret i stället för att behandla det största kontexttalet som fullständig återgivning av varje tillhandahållen detalj ur minnet. Den publicerade utökningssiffran 1,010,000 och valideringen kring en miljon förblir avgränsade till tillverkarens arbetsflöde för lång kontext.
Vägledning för generering
Rekommendationerna för bästa praxis anger temperature 0.7, top_p 0.8, top_k 20 och min_p 0. Där detta stöds kan en presence penalty mellan noll och två minska upprepad text, men högre värden kan blanda språk eller sänka kvaliteten något. Tillverkaren rekommenderar en utmatningsbudget på 16,384 token för de flesta frågor. Detta är en rekommenderad genereringsbudget snarare än en oberoende hård maxgräns; den bör inte ärva Thinking-variantens längre budgetar.
Ange resultatformen uttryckligen, till exempel en matematisk avgränsare eller ett svarsfält. Håll den slutliga artefakten lätt att granska och verifiera dess beräkningar, citat eller kod mot källan. Denna variant för enbart text tar inte emot bilder, ljud eller video som egna indata, så sådant material behöver en lämplig separat representation innan det kan stödja uppgiften.
Praktiskt resultat
Det användbara resultatet är en konkret textartefakt förankrad i de tillhandahållna villkoren: en dokumentförklaring, ett kodförslag eller ett direkt svar med den stödjande detaljnivå som krävs. Lång kontext och verktygsanrop kan hjälpa till att föra fler belägg genom ett arbetsflöde, medan kontraktet utan thinking-läge håller just denna variants utmatningsstil tydlig. Kontrollera resultatet i den verkliga uppgiftsmiljön i stället för att dra slutsatser om korrekthet utifrån dess längd eller självsäkra formuleringar.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K token Utdata · Utdatatoken $0.0022 / 1K token Indata · Cacheläsning $0.00014 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000286 / 1K token Utdata · Utdatatoken $0.0022 / 1K token Indata · Cacheläsning $0.00014 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.