Qwen3-Next i fokus: komplexa textresonemang
Qwen3-Next-80B-A3B-Thinking är textvarianten av Qwen3-Next med enbart thinking-läge. Tillverkaren rekommenderar den för mycket komplexa resonemangsuppgifter och påpekar att dess resonemang kan vara längre än i tidigare modeller. Den tar emot text och returnerar text, inklusive ett motiverat svar eller ett kodförslag. Håll den åtskild från Qwen3-Next-80B-A3B-Instruct och Qwen3-Coder-Next, vars kontrakt utan thinking-läge skiljer sig åt.
Familjen introducerar hybriduppmärksamhet som kombinerar Gated DeltaNet och gated attention, experter med hög gleshet i aktiveringen, stabilitetstekniker som nollcentrerad lagernormalisering med viktavklingning samt prediktion av flera token. Qwen beskriver också stabilisering av förstärkningsinlärning genom GSPO. Detta är tränings- och arkitekturegenskaper; effektivitetsvinster beror på implementationen och bör inte omvandlas till ett universellt påstående om svarstid.
Modellöversikt
Modellen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Den har 48 lager i ett 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. Källtext, historiska meddelanden, verktygsobservationer, resonemang och slutlig utmatning delar den konfigurerade sekvensbudgeten. För komplexa resonemang rekommenderar tillverkaren en konfigurerad kontext större än 131,072 där det är möjligt, även om ett mindre fönster skulle minska minnesbelastningen.
Använda gränssnittet med enbart thinking-läge
Standardchattmallen innehåller redan den inledande thinking-markören. En returnerad sekvens kan därför innehålla den avslutande markören utan att upprepa den inledande. Detta är normal formatering för tillverkarens recept, inte ett tecken på att resonemanget saknas. Modellen stöder endast thinking-läge; en begäran om ett kortfattat slutligt svar omvandlar den inte till en variant utan thinking-läge.
För ett matematiskt eller logiskt problem ska du ge hela problemformuleringen, definitionerna, enheterna och tillåtna antaganden. Be om ett tydligt avgränsat slutligt svar med de stödjande steg som behövs för att kontrollera det. För resonemang om kod ska du tillhandahålla relevant funktion, indata och avsett beteende och sedan be om ett motiverat förslag. Jämför de stödjande beräkningarna eller den föreslagna patchen med de tillhandahållna villkoren och faktiska resultaten.
Implementation och verktyg
Tillverkarens exempel stöder utvecklings- och verktygsarbetsflöden och rekommenderar Qwen-Agent för verktygsmallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Definiera de tillåtna verktygen, uppgiftens mål och det observerbara villkoret för slutförande. Applikationen utför externa åtgärder och returnerar faktiska observationer; modellen kan sedan använda den återkopplingen i sitt nästa svar.
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. Bevara den skillnaden när du bedömer en driftsättning. Verktygs- eller arkitekturförmågor i sig etablerar inte åtkomst till filer, aktuella källor eller en exekveringsmiljö genom en annan applikation.
Ultralång text
Den dokumenterade utökningen använder YaRN. Tillverkaren validerar en kontext på ungefär en miljon token och tillhandahåller ett recept med en faktor på fyra baserat på de inbyggda 262,144 positionerna; för arbetsbelastningar på 524,288 token föreslås en faktor på två. Statisk skalning kan påverka prestandan för kortare texter och bör därför följa det faktiska behovet av längre indata.
Organisera stora indata med dokumentgränser och kod- eller avsnittsidentifierare. Ange frågan och den förväntade artefakten så att modellen kan koppla samman relevanta belägg i stället för att behandla hela fönstret som ersättning för en tydlig uppgift. Reservera utrymme för dess potentiellt långa resonemang och det slutliga resultatet.
Vägledning för generering
Rekommendationerna för bästa praxis anger temperature 0.6, top_p 0.95, 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. Qwen rekommenderar en genereringsbudget på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematik- eller programmeringsuppgifter. Detta är rekommendationer snarare än oberoende hårda utmatningsgränser.
Ange formatet för det slutliga svaret uttryckligen, till exempel ett avgränsat matematiskt resultat eller ett svarsfält. Tillverkaren rekommenderar att behålla slutliga utdata utan thinking-innehåll i historiska assistentmeddelanden, enligt denna modellversions mall. Senare modellers alternativ för att bevara historiska resonemang bör inte importeras automatiskt.
Väsentliga begränsningar
Detta är en modell för enbart text. Bilder, ljud eller video kräver en lämplig separat representation innan de kan fungera som belägg i detta arbetsflöde. Långa resonemang och kontext är ändliga resurser, och detaljerade resonemang bevisar inte i sig att resultatet är korrekt. Kontrollera antaganden, beräkningar och genererad kod mot den tillhandahållna källan. Det användbara utfallet är ett granskningsbart svar eller en artefakt vars belägg förblir synliga och vars identitet med enbart thinking-läge bevaras.
", "aboutText": "Qwen3-Next i fokus: komplexa textresonemang\n\nQwen3-Next-80B-A3B-Thinking är textvarianten av Qwen3-Next med enbart thinking-läge. Tillverkaren rekommenderar den för mycket komplexa resonemangsuppgifter och påpekar att dess resonemang kan vara längre än i tidigare modeller. Den tar emot text och returnerar text, inklusive ett motiverat svar eller ett kodförslag. Håll den åtskild från Qwen3-Next-80B-A3B-Instruct och Qwen3-Coder-Next, vars kontrakt utan thinking-läge skiljer sig åt.\n\nFamiljen introducerar hybriduppmärksamhet som kombinerar Gated DeltaNet och gated attention, experter med hög gleshet i aktiveringen, stabilitetstekniker som nollcentrerad lagernormalisering med viktavklingning samt prediktion av flera token. Qwen beskriver också stabilisering av förstärkningsinlärning genom GSPO. Detta är tränings- och arkitekturegenskaper; effektivitetsvinster beror på implementationen och bör inte omvandlas till ett universellt påstående om svarstid.\n\nModellöversikt\n\nModellen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Den har 48 lager i ett 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. Källtext, historiska meddelanden, verktygsobservationer, resonemang och slutlig utmatning delar den konfigurerade sekvensbudgeten. För komplexa resonemang rekommenderar tillverkaren en konfigurerad kontext större än 131,072 där det är möjligt, även om ett mindre fönster skulle minska minnesbelastningen.\n\nAnvända gränssnittet med enbart thinking-läge\n\nStandardchattmallen innehåller redan den inledande thinking-markören. En returnerad sekvens kan därför innehålla den avslutande markören utan att upprepa den inledande. Detta är normal formatering för tillverkarens recept, inte ett tecken på att resonemanget saknas. Modellen stöder endast thinking-läge; en begäran om ett kortfattat slutligt svar omvandlar den inte till en variant utan thinking-läge.\n\nFör ett matematiskt eller logiskt problem ska du ge hela problemformuleringen, definitionerna, enheterna och tillåtna antaganden. Be om ett tydligt avgränsat slutligt svar med de stödjande steg som behövs för att kontrollera det. För resonemang om kod ska du tillhandahålla relevant funktion, indata och avsett beteende och sedan be om ett motiverat förslag. Jämför de stödjande beräkningarna eller den föreslagna patchen med de tillhandahållna villkoren och faktiska resultaten.\n\nImplementation och verktyg\n\nTillverkarens exempel stöder utvecklings- och verktygsarbetsflöden och rekommenderar Qwen-Agent för verktygsmallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Definiera de tillåtna verktygen, uppgiftens mål och det observerbara villkoret för slutförande. Applikationen utför externa åtgärder och returnerar faktiska observationer; modellen kan sedan använda den återkopplingen i sitt nästa svar.\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. Bevara den skillnaden när du bedömer en driftsättning. Verktygs- eller arkitekturförmågor i sig etablerar inte åtkomst till filer, aktuella källor eller en exekveringsmiljö genom en annan applikation.\n\nUltralång text\n\nDen dokumenterade utökningen använder YaRN. Tillverkaren validerar en kontext på ungefär en miljon token och tillhandahåller ett recept med en faktor på fyra baserat på de inbyggda 262,144 positionerna; för arbetsbelastningar på 524,288 token föreslås en faktor på två. Statisk skalning kan påverka prestandan för kortare texter och bör därför följa det faktiska behovet av längre indata.\n\nOrganisera stora indata med dokumentgränser och kod- eller avsnittsidentifierare. Ange frågan och den förväntade artefakten så att modellen kan koppla samman relevanta belägg i stället för att behandla hela fönstret som ersättning för en tydlig uppgift. Reservera utrymme för dess potentiellt långa resonemang och det slutliga resultatet.\n\nVägledning för generering\n\nRekommendationerna för bästa praxis anger temperature 0.6, top_p 0.95, 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. Qwen rekommenderar en genereringsbudget på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematik- eller programmeringsuppgifter. Detta är rekommendationer snarare än oberoende hårda utmatningsgränser.\n\nAnge formatet för det slutliga svaret uttryckligen, till exempel ett avgränsat matematiskt resultat eller ett svarsfält. Tillverkaren rekommenderar att behålla slutliga utdata utan thinking-innehåll i historiska assistentmeddelanden, enligt denna modellversions mall. Senare modellers alternativ för att bevara historiska resonemang bör inte importeras automatiskt.\n\nVäsentliga begränsningar\n\nDetta är en modell för enbart text. Bilder, ljud eller video kräver en lämplig separat representation innan de kan fungera som belägg i detta arbetsflöde. Långa resonemang och kontext är ändliga resurser, och detaljerade resonemang bevisar inte i sig att resultatet är korrekt. Kontrollera antaganden, beräkningar och genererad kod mot den tillhandahållna källan. Det användbara utfallet är ett granskningsbart svar eller en artefakt vars belägg förblir synliga och vars identitet med enbart thinking-läge bevaras.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking är Qwens modell för textresonemang med totalt 80 miljarder och 3 miljarder aktiverade parametrar. Den använder enbart thinking-läge, hybriduppmärksamhet och glest aktiverade experter för komplexa uppgifter, med en inbyggd kontext på 262,144 token och villkorad utökning till 1,010,000.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-Next i fokus: komplexa textresonemang
Qwen3-Next-80B-A3B-Thinking är textvarianten av Qwen3-Next med enbart thinking-läge. Tillverkaren rekommenderar den för mycket komplexa resonemangsuppgifter och påpekar att dess resonemang kan vara längre än i tidigare modeller. Den tar emot text och returnerar text, inklusive ett motiverat svar eller ett kodförslag. Håll den åtskild från Qwen3-Next-80B-A3B-Instruct och Qwen3-Coder-Next, vars kontrakt utan thinking-läge skiljer sig åt.
Familjen introducerar hybriduppmärksamhet som kombinerar Gated DeltaNet och gated attention, experter med hög gleshet i aktiveringen, stabilitetstekniker som nollcentrerad lagernormalisering med viktavklingning samt prediktion av flera token. Qwen beskriver också stabilisering av förstärkningsinlärning genom GSPO. Detta är tränings- och arkitekturegenskaper; effektivitetsvinster beror på implementationen och bör inte omvandlas till ett universellt påstående om svarstid.
Modellöversikt
Modellen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Den har 48 lager i ett 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. Källtext, historiska meddelanden, verktygsobservationer, resonemang och slutlig utmatning delar den konfigurerade sekvensbudgeten. För komplexa resonemang rekommenderar tillverkaren en konfigurerad kontext större än 131,072 där det är möjligt, även om ett mindre fönster skulle minska minnesbelastningen.
Använda gränssnittet med enbart thinking-läge
Standardchattmallen innehåller redan den inledande thinking-markören. En returnerad sekvens kan därför innehålla den avslutande markören utan att upprepa den inledande. Detta är normal formatering för tillverkarens recept, inte ett tecken på att resonemanget saknas. Modellen stöder endast thinking-läge; en begäran om ett kortfattat slutligt svar omvandlar den inte till en variant utan thinking-läge.
För ett matematiskt eller logiskt problem ska du ge hela problemformuleringen, definitionerna, enheterna och tillåtna antaganden. Be om ett tydligt avgränsat slutligt svar med de stödjande steg som behövs för att kontrollera det. För resonemang om kod ska du tillhandahålla relevant funktion, indata och avsett beteende och sedan be om ett motiverat förslag. Jämför de stödjande beräkningarna eller den föreslagna patchen med de tillhandahållna villkoren och faktiska resultaten.
Implementation och verktyg
Tillverkarens exempel stöder utvecklings- och verktygsarbetsflöden och rekommenderar Qwen-Agent för verktygsmallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Definiera de tillåtna verktygen, uppgiftens mål och det observerbara villkoret för slutförande. Applikationen utför externa åtgärder och returnerar faktiska observationer; modellen kan sedan använda den återkopplingen i sitt nästa svar.
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. Bevara den skillnaden när du bedömer en driftsättning. Verktygs- eller arkitekturförmågor i sig etablerar inte åtkomst till filer, aktuella källor eller en exekveringsmiljö genom en annan applikation.
Ultralång text
Den dokumenterade utökningen använder YaRN. Tillverkaren validerar en kontext på ungefär en miljon token och tillhandahåller ett recept med en faktor på fyra baserat på de inbyggda 262,144 positionerna; för arbetsbelastningar på 524,288 token föreslås en faktor på två. Statisk skalning kan påverka prestandan för kortare texter och bör därför följa det faktiska behovet av längre indata.
Organisera stora indata med dokumentgränser och kod- eller avsnittsidentifierare. Ange frågan och den förväntade artefakten så att modellen kan koppla samman relevanta belägg i stället för att behandla hela fönstret som ersättning för en tydlig uppgift. Reservera utrymme för dess potentiellt långa resonemang och det slutliga resultatet.
Vägledning för generering
Rekommendationerna för bästa praxis anger temperature 0.6, top_p 0.95, 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. Qwen rekommenderar en genereringsbudget på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematik- eller programmeringsuppgifter. Detta är rekommendationer snarare än oberoende hårda utmatningsgränser.
Ange formatet för det slutliga svaret uttryckligen, till exempel ett avgränsat matematiskt resultat eller ett svarsfält. Tillverkaren rekommenderar att behålla slutliga utdata utan thinking-innehåll i historiska assistentmeddelanden, enligt denna modellversions mall. Senare modellers alternativ för att bevara historiska resonemang bör inte importeras automatiskt.
Väsentliga begränsningar
Detta är en modell för enbart text. Bilder, ljud eller video kräver en lämplig separat representation innan de kan fungera som belägg i detta arbetsflöde. Långa resonemang och kontext är ändliga resurser, och detaljerade resonemang bevisar inte i sig att resultatet är korrekt. Kontrollera antaganden, beräkningar och genererad kod mot den tillhandahållna källan. Det användbara utfallet är ett granskningsbart svar eller en artefakt vars belägg förblir synliga och vars identitet med enbart thinking-läge bevaras.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0024 / 1K token Indata · Cacheläsning — / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0024 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-thinking',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-thinking',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-thinking
Använd metodsökvägarna som visas ovan.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking är Qwens modell för textresonemang med totalt 80 miljarder och 3 miljarder aktiverade parametrar. Den använder enbart thinking-läge, hybriduppmärksamhet och glest aktiverade experter för komplexa uppgifter, med en inbyggd kontext på 262,144 token och villkorad utökning till 1,010,000.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-Next i fokus: komplexa textresonemang
Qwen3-Next-80B-A3B-Thinking är textvarianten av Qwen3-Next med enbart thinking-läge. Tillverkaren rekommenderar den för mycket komplexa resonemangsuppgifter och påpekar att dess resonemang kan vara längre än i tidigare modeller. Den tar emot text och returnerar text, inklusive ett motiverat svar eller ett kodförslag. Håll den åtskild från Qwen3-Next-80B-A3B-Instruct och Qwen3-Coder-Next, vars kontrakt utan thinking-läge skiljer sig åt.
Familjen introducerar hybriduppmärksamhet som kombinerar Gated DeltaNet och gated attention, experter med hög gleshet i aktiveringen, stabilitetstekniker som nollcentrerad lagernormalisering med viktavklingning samt prediktion av flera token. Qwen beskriver också stabilisering av förstärkningsinlärning genom GSPO. Detta är tränings- och arkitekturegenskaper; effektivitetsvinster beror på implementationen och bör inte omvandlas till ett universellt påstående om svarstid.
Modellöversikt
Modellen har totalt 80 miljarder parametrar och aktiverar tre miljarder. Den har 48 lager i ett 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. Källtext, historiska meddelanden, verktygsobservationer, resonemang och slutlig utmatning delar den konfigurerade sekvensbudgeten. För komplexa resonemang rekommenderar tillverkaren en konfigurerad kontext större än 131,072 där det är möjligt, även om ett mindre fönster skulle minska minnesbelastningen.
Använda gränssnittet med enbart thinking-läge
Standardchattmallen innehåller redan den inledande thinking-markören. En returnerad sekvens kan därför innehålla den avslutande markören utan att upprepa den inledande. Detta är normal formatering för tillverkarens recept, inte ett tecken på att resonemanget saknas. Modellen stöder endast thinking-läge; en begäran om ett kortfattat slutligt svar omvandlar den inte till en variant utan thinking-läge.
För ett matematiskt eller logiskt problem ska du ge hela problemformuleringen, definitionerna, enheterna och tillåtna antaganden. Be om ett tydligt avgränsat slutligt svar med de stödjande steg som behövs för att kontrollera det. För resonemang om kod ska du tillhandahålla relevant funktion, indata och avsett beteende och sedan be om ett motiverat förslag. Jämför de stödjande beräkningarna eller den föreslagna patchen med de tillhandahållna villkoren och faktiska resultaten.
Implementation och verktyg
Tillverkarens exempel stöder utvecklings- och verktygsarbetsflöden och rekommenderar Qwen-Agent för verktygsmallar och parsning, med konfigurerade eller MCP-anslutna verktyg. Definiera de tillåtna verktygen, uppgiftens mål och det observerbara villkoret för slutförande. Applikationen utför externa åtgärder och returnerar faktiska observationer; modellen kan sedan använda den återkopplingen i sitt nästa svar.
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. Bevara den skillnaden när du bedömer en driftsättning. Verktygs- eller arkitekturförmågor i sig etablerar inte åtkomst till filer, aktuella källor eller en exekveringsmiljö genom en annan applikation.
Ultralång text
Den dokumenterade utökningen använder YaRN. Tillverkaren validerar en kontext på ungefär en miljon token och tillhandahåller ett recept med en faktor på fyra baserat på de inbyggda 262,144 positionerna; för arbetsbelastningar på 524,288 token föreslås en faktor på två. Statisk skalning kan påverka prestandan för kortare texter och bör därför följa det faktiska behovet av längre indata.
Organisera stora indata med dokumentgränser och kod- eller avsnittsidentifierare. Ange frågan och den förväntade artefakten så att modellen kan koppla samman relevanta belägg i stället för att behandla hela fönstret som ersättning för en tydlig uppgift. Reservera utrymme för dess potentiellt långa resonemang och det slutliga resultatet.
Vägledning för generering
Rekommendationerna för bästa praxis anger temperature 0.6, top_p 0.95, 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. Qwen rekommenderar en genereringsbudget på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematik- eller programmeringsuppgifter. Detta är rekommendationer snarare än oberoende hårda utmatningsgränser.
Ange formatet för det slutliga svaret uttryckligen, till exempel ett avgränsat matematiskt resultat eller ett svarsfält. Tillverkaren rekommenderar att behålla slutliga utdata utan thinking-innehåll i historiska assistentmeddelanden, enligt denna modellversions mall. Senare modellers alternativ för att bevara historiska resonemang bör inte importeras automatiskt.
Väsentliga begränsningar
Detta är en modell för enbart text. Bilder, ljud eller video kräver en lämplig separat representation innan de kan fungera som belägg i detta arbetsflöde. Långa resonemang och kontext är ändliga resurser, och detaljerade resonemang bevisar inte i sig att resultatet är korrekt. Kontrollera antaganden, beräkningar och genererad kod mot den tillhandahållna källan. Det användbara utfallet är ett granskningsbart svar eller en artefakt vars belägg förblir synliga och vars identitet med enbart thinking-läge bevaras.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0024 / 1K token Indata · Cacheläsning — / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0024 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.