Qwen3-0.6B erbjuder Qwen3:s hybrida textgränssnitt i en tät modell med 0.6 miljarder parametrar. Familjens förmågor omfattar instruktionsföljning, flerspråkiga samtal, kreativt skrivande, rollbaserad interaktion, matematik, kod och logiskt resonemang. Resonemang och vanlig generering är tillgängliga i samma utgåva. Den kompakta storleken identifierar kontrollpunkten, inte ett annat indataformat eller ett ersättningsnamn för en större Qwen3-modell.
Modellen har 0.44 miljarder parametrar utanför inbäddningarna och 28 lager, med 16 frågehuvuden och åtta nyckel-/värdehuvuden i grouped-query attention. Det specifika modellkortet dokumenterar 32,768 kontexttoken. Både inkommande text och genererat innehåll upptar modellens sekvens, så reservera plats för svaret när instruktioner och exempel sätts samman. Denna utgåvas modellkort dokumenterar inte den utökade kontextkonfiguration som ingår i vissa större Qwen3-kort. En praktisk första uppgift är en kort, tydligt definierad operation vars utdata kan jämföras direkt med källan.
Använd tillverkarens angivna chattmall för att presentera instruktionen och materialet. Ge exempelvis en kort serviceanteckning och be om ett kundmeddelande som behåller bokningsdatum och produktnamn oförändrade. Ange avsedd läsare, ton och högsta begärda längd. För en uppgift med etikettval ska tillåtna etiketter listas med definitioner och ett tvetydigt exempel visa hur osäkerhet ska rapporteras. Be enbart om etiketten och motsvarande avsnitt ur indata. Detta är konkreta krav på utdata, inte ett påstående om att modellen alltid uppfyller dem utan kontroll. Den publicerade integrationen förutsätter en Qwen3-kompatibel körmiljö; modellkortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Den medföljande mallen använder resonemang som standard. En hård inställning för direktläge undertrycker resonemangsdelen; om resonemang är aktiverat kan /think och /no_think styra läget mellan turer enligt den senaste instruktionen. Hård avstängning har företräde framför dessa mjuka prompter. Välj den inställning som passar operationen: en enkel ändring av godkänd formulering kan använda direkt svar, medan en förklaring till varför ett villkor gäller kan kräva resonemang. Spara slutsvaret som samtalshistorik i stället för en tidigare resonemangsdel. När resonemang är aktiverat behåller även en mjuk begäran om direkt svar ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Modellkortet beskriver verktygsorienterad agentanvändning och rekommenderar Qwen-Agent för mallar och parsning. För en liten ordlisteassistent kan applikationen exponera ett skrivskyddat uppslag, validera dess argument, utföra det och returnera posten. Modellen kan sedan förklara termen i den stil användaren begär. Definiera verktygsresultatet och reservhanteringen för en saknad post i förväg. En genererad verktygsbegäran ska hanteras som en begäran, där applikationen behåller ansvaret för körning och returnerade belägg. Qwen3-guiden beskriver även parallella verktygsanrop och anrop i flera steg, med argument representerade som objekt och resultat återförda till samtalet.
Den publicerade snabbstarten och rekommenderade utdatalängder är genereringsråd, inte en separat garanterad API-gräns. För en avgränsad operation ska en kompakt slutpost väljas, exempelvis en omskriven mening plus oförändrade namn, eller en etikett och texten som stöder den. Kontrollera posten mot tillhandahållet material. Om uppgiften växer till en lång förklaring ska det längre resultatet utvärderas på samma typ av verkliga indata, i stället för att modellens kompakta identitet antas fastställa dess noggrannhet eller svarskvalitet. Qwen3-dokumentationen diskuterar assistentmeddelanden på 38,912 token i resonemangsläge och 16,384 i direktläge i sin förklaring av träningslängder och rekommenderar att kvaliteten hos längre generering utvärderas. Dessa siffror skiljer sig från det totala kontextfönstret och är ingen endpointspecifik hård gräns.
Detta specifika modellkort ger ytterligare råd vid betydande upprepning: använd rekommenderad samplingskonfiguration och överväg presence_penalty 1.5. Starkare straff kan orsaka språkblandning eller försämrad prestanda. Resonemangsläge kombineras med temperature 0.6, top-p 0.95, top-k 20 och min-p 0; direktläge med temperature 0.7, top-p 0.8, top-k 20 och min-p 0. Tillverkaren varnar för greedy-avkodning i resonemangsläge. Inspektera upprepade fraser, bevarade namn och vald etikett; avvisa en felaktigt formaterad post i stället för att behandla läsbar prosa som bevis på att det begärda formatet följdes.
", "aboutText": "Qwen3-0.6B erbjuder Qwen3:s hybrida textgränssnitt i en tät modell med 0.6 miljarder parametrar. Familjens förmågor omfattar instruktionsföljning, flerspråkiga samtal, kreativt skrivande, rollbaserad interaktion, matematik, kod och logiskt resonemang. Resonemang och vanlig generering är tillgängliga i samma utgåva. Den kompakta storleken identifierar kontrollpunkten, inte ett annat indataformat eller ett ersättningsnamn för en större Qwen3-modell.\n\nModellen har 0.44 miljarder parametrar utanför inbäddningarna och 28 lager, med 16 frågehuvuden och åtta nyckel-/värdehuvuden i grouped-query attention. Det specifika modellkortet dokumenterar 32,768 kontexttoken. Både inkommande text och genererat innehåll upptar modellens sekvens, så reservera plats för svaret när instruktioner och exempel sätts samman. Denna utgåvas modellkort dokumenterar inte den utökade kontextkonfiguration som ingår i vissa större Qwen3-kort. En praktisk första uppgift är en kort, tydligt definierad operation vars utdata kan jämföras direkt med källan.\n\nAnvänd tillverkarens angivna chattmall för att presentera instruktionen och materialet. Ge exempelvis en kort serviceanteckning och be om ett kundmeddelande som behåller bokningsdatum och produktnamn oförändrade. Ange avsedd läsare, ton och högsta begärda längd. För en uppgift med etikettval ska tillåtna etiketter listas med definitioner och ett tvetydigt exempel visa hur osäkerhet ska rapporteras. Be enbart om etiketten och motsvarande avsnitt ur indata. Detta är konkreta krav på utdata, inte ett påstående om att modellen alltid uppfyller dem utan kontroll. Den publicerade integrationen förutsätter en Qwen3-kompatibel körmiljö; modellkortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.\n\nDen medföljande mallen använder resonemang som standard. En hård inställning för direktläge undertrycker resonemangsdelen; om resonemang är aktiverat kan /think och /no_think styra läget mellan turer enligt den senaste instruktionen. Hård avstängning har företräde framför dessa mjuka prompter. Välj den inställning som passar operationen: en enkel ändring av godkänd formulering kan använda direkt svar, medan en förklaring till varför ett villkor gäller kan kräva resonemang. Spara slutsvaret som samtalshistorik i stället för en tidigare resonemangsdel. När resonemang är aktiverat behåller även en mjuk begäran om direkt svar ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.\n\nModellkortet beskriver verktygsorienterad agentanvändning och rekommenderar Qwen-Agent för mallar och parsning. För en liten ordlisteassistent kan applikationen exponera ett skrivskyddat uppslag, validera dess argument, utföra det och returnera posten. Modellen kan sedan förklara termen i den stil användaren begär. Definiera verktygsresultatet och reservhanteringen för en saknad post i förväg. En genererad verktygsbegäran ska hanteras som en begäran, där applikationen behåller ansvaret för körning och returnerade belägg. Qwen3-guiden beskriver även parallella verktygsanrop och anrop i flera steg, med argument representerade som objekt och resultat återförda till samtalet.\n\nDen publicerade snabbstarten och rekommenderade utdatalängder är genereringsråd, inte en separat garanterad API-gräns. För en avgränsad operation ska en kompakt slutpost väljas, exempelvis en omskriven mening plus oförändrade namn, eller en etikett och texten som stöder den. Kontrollera posten mot tillhandahållet material. Om uppgiften växer till en lång förklaring ska det längre resultatet utvärderas på samma typ av verkliga indata, i stället för att modellens kompakta identitet antas fastställa dess noggrannhet eller svarskvalitet. Qwen3-dokumentationen diskuterar assistentmeddelanden på 38,912 token i resonemangsläge och 16,384 i direktläge i sin förklaring av träningslängder och rekommenderar att kvaliteten hos längre generering utvärderas. Dessa siffror skiljer sig från det totala kontextfönstret och är ingen endpointspecifik hård gräns.\n\nDetta specifika modellkort ger ytterligare råd vid betydande upprepning: använd rekommenderad samplingskonfiguration och överväg presence_penalty 1.5. Starkare straff kan orsaka språkblandning eller försämrad prestanda. Resonemangsläge kombineras med temperature 0.6, top-p 0.95, top-k 20 och min-p 0; direktläge med temperature 0.7, top-p 0.8, top-k 20 och min-p 0. Tillverkaren varnar för greedy-avkodning i resonemangsläge. Inspektera upprepade fraser, bevarade namn och vald etikett; avvisa en felaktigt formaterad post i stället för att behandla läsbar prosa som bevis på att det begärda formatet följdes.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B är den minsta täta utgåvan i denna Qwen3-uppsättning, med 0.6 miljarder parametrar. Den hanterar textinstruktioner och flerspråkig dialog genom direktläge och resonemangsläge, med en utgåvespecifik kontext på 32,768 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-0.6B erbjuder Qwen3:s hybrida textgränssnitt i en tät modell med 0.6 miljarder parametrar. Familjens förmågor omfattar instruktionsföljning, flerspråkiga samtal, kreativt skrivande, rollbaserad interaktion, matematik, kod och logiskt resonemang. Resonemang och vanlig generering är tillgängliga i samma utgåva. Den kompakta storleken identifierar kontrollpunkten, inte ett annat indataformat eller ett ersättningsnamn för en större Qwen3-modell.
Modellen har 0.44 miljarder parametrar utanför inbäddningarna och 28 lager, med 16 frågehuvuden och åtta nyckel-/värdehuvuden i grouped-query attention. Det specifika modellkortet dokumenterar 32,768 kontexttoken. Både inkommande text och genererat innehåll upptar modellens sekvens, så reservera plats för svaret när instruktioner och exempel sätts samman. Denna utgåvas modellkort dokumenterar inte den utökade kontextkonfiguration som ingår i vissa större Qwen3-kort. En praktisk första uppgift är en kort, tydligt definierad operation vars utdata kan jämföras direkt med källan.
Använd tillverkarens angivna chattmall för att presentera instruktionen och materialet. Ge exempelvis en kort serviceanteckning och be om ett kundmeddelande som behåller bokningsdatum och produktnamn oförändrade. Ange avsedd läsare, ton och högsta begärda längd. För en uppgift med etikettval ska tillåtna etiketter listas med definitioner och ett tvetydigt exempel visa hur osäkerhet ska rapporteras. Be enbart om etiketten och motsvarande avsnitt ur indata. Detta är konkreta krav på utdata, inte ett påstående om att modellen alltid uppfyller dem utan kontroll. Den publicerade integrationen förutsätter en Qwen3-kompatibel körmiljö; modellkortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Den medföljande mallen använder resonemang som standard. En hård inställning för direktläge undertrycker resonemangsdelen; om resonemang är aktiverat kan /think och /no_think styra läget mellan turer enligt den senaste instruktionen. Hård avstängning har företräde framför dessa mjuka prompter. Välj den inställning som passar operationen: en enkel ändring av godkänd formulering kan använda direkt svar, medan en förklaring till varför ett villkor gäller kan kräva resonemang. Spara slutsvaret som samtalshistorik i stället för en tidigare resonemangsdel. När resonemang är aktiverat behåller även en mjuk begäran om direkt svar ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Modellkortet beskriver verktygsorienterad agentanvändning och rekommenderar Qwen-Agent för mallar och parsning. För en liten ordlisteassistent kan applikationen exponera ett skrivskyddat uppslag, validera dess argument, utföra det och returnera posten. Modellen kan sedan förklara termen i den stil användaren begär. Definiera verktygsresultatet och reservhanteringen för en saknad post i förväg. En genererad verktygsbegäran ska hanteras som en begäran, där applikationen behåller ansvaret för körning och returnerade belägg. Qwen3-guiden beskriver även parallella verktygsanrop och anrop i flera steg, med argument representerade som objekt och resultat återförda till samtalet.
Den publicerade snabbstarten och rekommenderade utdatalängder är genereringsråd, inte en separat garanterad API-gräns. För en avgränsad operation ska en kompakt slutpost väljas, exempelvis en omskriven mening plus oförändrade namn, eller en etikett och texten som stöder den. Kontrollera posten mot tillhandahållet material. Om uppgiften växer till en lång förklaring ska det längre resultatet utvärderas på samma typ av verkliga indata, i stället för att modellens kompakta identitet antas fastställa dess noggrannhet eller svarskvalitet. Qwen3-dokumentationen diskuterar assistentmeddelanden på 38,912 token i resonemangsläge och 16,384 i direktläge i sin förklaring av träningslängder och rekommenderar att kvaliteten hos längre generering utvärderas. Dessa siffror skiljer sig från det totala kontextfönstret och är ingen endpointspecifik hård gräns.
Detta specifika modellkort ger ytterligare råd vid betydande upprepning: använd rekommenderad samplingskonfiguration och överväg presence_penalty 1.5. Starkare straff kan orsaka språkblandning eller försämrad prestanda. Resonemangsläge kombineras med temperature 0.6, top-p 0.95, top-k 20 och min-p 0; direktläge med temperature 0.7, top-p 0.8, top-k 20 och min-p 0. Tillverkaren varnar för greedy-avkodning i resonemangsläge. Inspektera upprepade fraser, bevarade namn och vald etikett; avvisa en felaktigt formaterad post i stället för att behandla läsbar prosa som bevis på att det begärda formatet följdes.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen3-0.6b | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0001 / 1K token Utdata · Utdatatoken $0.001 / 1K token Indata · Cacheläsning $0 / 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": "qwen3-0.6b", "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='qwen3-0.6b',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='qwen3-0.6b',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 qwen3-0.6b
Använd metodsökvägarna som visas ovan.
qwen3-0.6bQwen3-0.6B är den minsta täta utgåvan i denna Qwen3-uppsättning, med 0.6 miljarder parametrar. Den hanterar textinstruktioner och flerspråkig dialog genom direktläge och resonemangsläge, med en utgåvespecifik kontext på 32,768 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-0.6B erbjuder Qwen3:s hybrida textgränssnitt i en tät modell med 0.6 miljarder parametrar. Familjens förmågor omfattar instruktionsföljning, flerspråkiga samtal, kreativt skrivande, rollbaserad interaktion, matematik, kod och logiskt resonemang. Resonemang och vanlig generering är tillgängliga i samma utgåva. Den kompakta storleken identifierar kontrollpunkten, inte ett annat indataformat eller ett ersättningsnamn för en större Qwen3-modell.
Modellen har 0.44 miljarder parametrar utanför inbäddningarna och 28 lager, med 16 frågehuvuden och åtta nyckel-/värdehuvuden i grouped-query attention. Det specifika modellkortet dokumenterar 32,768 kontexttoken. Både inkommande text och genererat innehåll upptar modellens sekvens, så reservera plats för svaret när instruktioner och exempel sätts samman. Denna utgåvas modellkort dokumenterar inte den utökade kontextkonfiguration som ingår i vissa större Qwen3-kort. En praktisk första uppgift är en kort, tydligt definierad operation vars utdata kan jämföras direkt med källan.
Använd tillverkarens angivna chattmall för att presentera instruktionen och materialet. Ge exempelvis en kort serviceanteckning och be om ett kundmeddelande som behåller bokningsdatum och produktnamn oförändrade. Ange avsedd läsare, ton och högsta begärda längd. För en uppgift med etikettval ska tillåtna etiketter listas med definitioner och ett tvetydigt exempel visa hur osäkerhet ska rapporteras. Be enbart om etiketten och motsvarande avsnitt ur indata. Detta är konkreta krav på utdata, inte ett påstående om att modellen alltid uppfyller dem utan kontroll. Den publicerade integrationen förutsätter en Qwen3-kompatibel körmiljö; modellkortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Den medföljande mallen använder resonemang som standard. En hård inställning för direktläge undertrycker resonemangsdelen; om resonemang är aktiverat kan /think och /no_think styra läget mellan turer enligt den senaste instruktionen. Hård avstängning har företräde framför dessa mjuka prompter. Välj den inställning som passar operationen: en enkel ändring av godkänd formulering kan använda direkt svar, medan en förklaring till varför ett villkor gäller kan kräva resonemang. Spara slutsvaret som samtalshistorik i stället för en tidigare resonemangsdel. När resonemang är aktiverat behåller även en mjuk begäran om direkt svar ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Modellkortet beskriver verktygsorienterad agentanvändning och rekommenderar Qwen-Agent för mallar och parsning. För en liten ordlisteassistent kan applikationen exponera ett skrivskyddat uppslag, validera dess argument, utföra det och returnera posten. Modellen kan sedan förklara termen i den stil användaren begär. Definiera verktygsresultatet och reservhanteringen för en saknad post i förväg. En genererad verktygsbegäran ska hanteras som en begäran, där applikationen behåller ansvaret för körning och returnerade belägg. Qwen3-guiden beskriver även parallella verktygsanrop och anrop i flera steg, med argument representerade som objekt och resultat återförda till samtalet.
Den publicerade snabbstarten och rekommenderade utdatalängder är genereringsråd, inte en separat garanterad API-gräns. För en avgränsad operation ska en kompakt slutpost väljas, exempelvis en omskriven mening plus oförändrade namn, eller en etikett och texten som stöder den. Kontrollera posten mot tillhandahållet material. Om uppgiften växer till en lång förklaring ska det längre resultatet utvärderas på samma typ av verkliga indata, i stället för att modellens kompakta identitet antas fastställa dess noggrannhet eller svarskvalitet. Qwen3-dokumentationen diskuterar assistentmeddelanden på 38,912 token i resonemangsläge och 16,384 i direktläge i sin förklaring av träningslängder och rekommenderar att kvaliteten hos längre generering utvärderas. Dessa siffror skiljer sig från det totala kontextfönstret och är ingen endpointspecifik hård gräns.
Detta specifika modellkort ger ytterligare råd vid betydande upprepning: använd rekommenderad samplingskonfiguration och överväg presence_penalty 1.5. Starkare straff kan orsaka språkblandning eller försämrad prestanda. Resonemangsläge kombineras med temperature 0.6, top-p 0.95, top-k 20 och min-p 0; direktläge med temperature 0.7, top-p 0.8, top-k 20 och min-p 0. Tillverkaren varnar för greedy-avkodning i resonemangsläge. Inspektera upprepade fraser, bevarade namn och vald etikett; avvisa en felaktigt formaterad post i stället för att behandla läsbar prosa som bevis på att det begärda formatet följdes.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen3-0.6b | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0001 / 1K token Utdata · Utdatatoken $0.001 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-0.6b', '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': 'qwen3-0.6b', '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 qwen3-0.6b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.