Qwen3-1.7B kombinerar direkta svar och resonemang i en liten tät språkmodell. Tillverkaren beskriver instruktionsföljning, kreativt skrivande, rollbaserade samtal, matematik, logiska problem och kod, med stöd för fler än 100 språk och dialekter. Den tar emot text och producerar text. En användbar startuppgift är en noggrant specificerad omvandling: gör ett kort kundmeddelande till ett artigt svar, förklara en term för en viss läsare eller omvandla en mötesanteckning till en åtgärdslista.
Den specifika utgåvan har 1.7 miljarder parametrar, varav 1.4 miljarder utanför inbäddningarna, och 28 lager. Grouped-query attention använder 16 frågehuvuden och åtta nyckel-/värdehuvuden. Modellens eget kort anger en kontextlängd på 32,768 token. Det är utgåvans dokumenterade fönster; större kontextsiffror från andra Qwen3-storlekar ska vara knutna till deras separata modellkort. Håll källtext, instruktioner, samtalshistorik och begärt svar inom relevant sekvensbudget. För en svarsassistent ska mottaget meddelande, verifierade bakgrundsfakta, målgrupp och önskad längd anges i stället för ett helt ovidkommande korrespondensarkiv.
Tillverkarens snabbstart formaterar ett samtal med modellens chattmall. Förbered en liten fullständig uppgift som kan kontrolleras mot sin källa. För ett exempel med åtgärdslista ska en anteckning med namn, datum och beslut ges; be om en post per åtgärd och kräv ett uttryckligt okänt värde där ansvarig inte angavs. För ett programmeringsexempel ska en funktion och representativa indata tillhandahållas; be sedan modellen förklara den gren som avgör resultatet. En returnerad förklaring ska hänvisa till verkliga variabler och villkor i stället för att introducera hypotetiskt beteende. Den publicerade integrationen förutsätter en Qwen3-kompatibel körmiljö; modellkortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Resonemang är aktiverat som standard i den medföljande mallen. En hård omkopplare väljer direkt utdata utan resonemangsdel. När resonemang är aktiverat fungerar /think och /no_think som instruktioner per tur, där den senaste styr valet; de kan inte åsidosätta ett hårt avstängt läge. Använd direktinställningen för en kort omskrivning och resonemangsinställningen när svaret måste förena flera villkor. Håll mellanliggande resonemang åtskilt från slutsvaret och behåll slutsvaret i senare dialoghistorik. När resonemang är aktiverat behåller även en mjuk begäran om direkt svar ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Agentanvändning ingår i den publicerade uppsättningen förmågor. Tillverkaren rekommenderar Qwen-Agent för verktygsformatering och parsning, medan applikationen tillhandahåller och kör verktygen. En avgränsad assistent kan begära ett ordboksuppslag för en produktterm, få den bekräftade definitionen och sedan skriva om användarens mening. Definiera tillåtna argument och returnerade fält; kontrollera båda innan resultatet används. Sluttexten ska skilja mellan tillhandahållna fakta, returnerad information och frågor som förblir obesvarade. Qwen3-guiden beskriver även parallella verktygsanrop och anrop i flera steg, med argument representerade som objekt och resultat återförda till samtalet.
Utdatabudgeten ska passa hela uppgiften. Modellkortet ger genereringsexempel och rekommendationer om utdatalängd; dessa skiljer sig från en bevisad maximal tjänstegräns. Korta begärda utdata är lätta att verifiera: ange fält, ordning och språk, och håll ursprungsmeddelandet tillgängligt för jämförelse. Utvärdera resultatet på den faktiska typen av indata innan lång textgenerering används. 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.
Denna storlek har en särskild anmärkning om ihållande upprepning: modellkortet föreslår de rekommenderade samplingsinställningarna och presence_penalty 1.5 när betydande upprepning uppstår. Högre straff kan ibland blanda språk eller försämra prestandan. För resonemang föreslås temperature 0.6 med top-p 0.95, top-k 20 och min-p 0; för direktläge är temperature 0.7 med top-p 0.8, top-k 20 och min-p 0. Undvik greedy-avkodning i resonemangsläge. Kontrollera namn, datum, etiketter och upprepade satser och validera strukturerade utdata innan de förs vidare till en annan del av applikationen.
", "aboutText": "Qwen3-1.7B kombinerar direkta svar och resonemang i en liten tät språkmodell. Tillverkaren beskriver instruktionsföljning, kreativt skrivande, rollbaserade samtal, matematik, logiska problem och kod, med stöd för fler än 100 språk och dialekter. Den tar emot text och producerar text. En användbar startuppgift är en noggrant specificerad omvandling: gör ett kort kundmeddelande till ett artigt svar, förklara en term för en viss läsare eller omvandla en mötesanteckning till en åtgärdslista.\n\nDen specifika utgåvan har 1.7 miljarder parametrar, varav 1.4 miljarder utanför inbäddningarna, och 28 lager. Grouped-query attention använder 16 frågehuvuden och åtta nyckel-/värdehuvuden. Modellens eget kort anger en kontextlängd på 32,768 token. Det är utgåvans dokumenterade fönster; större kontextsiffror från andra Qwen3-storlekar ska vara knutna till deras separata modellkort. Håll källtext, instruktioner, samtalshistorik och begärt svar inom relevant sekvensbudget. För en svarsassistent ska mottaget meddelande, verifierade bakgrundsfakta, målgrupp och önskad längd anges i stället för ett helt ovidkommande korrespondensarkiv.\n\nTillverkarens snabbstart formaterar ett samtal med modellens chattmall. Förbered en liten fullständig uppgift som kan kontrolleras mot sin källa. För ett exempel med åtgärdslista ska en anteckning med namn, datum och beslut ges; be om en post per åtgärd och kräv ett uttryckligt okänt värde där ansvarig inte angavs. För ett programmeringsexempel ska en funktion och representativa indata tillhandahållas; be sedan modellen förklara den gren som avgör resultatet. En returnerad förklaring ska hänvisa till verkliga variabler och villkor i stället för att introducera hypotetiskt beteende. 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\nResonemang är aktiverat som standard i den medföljande mallen. En hård omkopplare väljer direkt utdata utan resonemangsdel. När resonemang är aktiverat fungerar /think och /no_think som instruktioner per tur, där den senaste styr valet; de kan inte åsidosätta ett hårt avstängt läge. Använd direktinställningen för en kort omskrivning och resonemangsinställningen när svaret måste förena flera villkor. Håll mellanliggande resonemang åtskilt från slutsvaret och behåll slutsvaret i senare dialoghistorik. När resonemang är aktiverat behåller även en mjuk begäran om direkt svar ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.\n\nAgentanvändning ingår i den publicerade uppsättningen förmågor. Tillverkaren rekommenderar Qwen-Agent för verktygsformatering och parsning, medan applikationen tillhandahåller och kör verktygen. En avgränsad assistent kan begära ett ordboksuppslag för en produktterm, få den bekräftade definitionen och sedan skriva om användarens mening. Definiera tillåtna argument och returnerade fält; kontrollera båda innan resultatet används. Sluttexten ska skilja mellan tillhandahållna fakta, returnerad information och frågor som förblir obesvarade. Qwen3-guiden beskriver även parallella verktygsanrop och anrop i flera steg, med argument representerade som objekt och resultat återförda till samtalet.\n\nUtdatabudgeten ska passa hela uppgiften. Modellkortet ger genereringsexempel och rekommendationer om utdatalängd; dessa skiljer sig från en bevisad maximal tjänstegräns. Korta begärda utdata är lätta att verifiera: ange fält, ordning och språk, och håll ursprungsmeddelandet tillgängligt för jämförelse. Utvärdera resultatet på den faktiska typen av indata innan lång textgenerering används. 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\nDenna storlek har en särskild anmärkning om ihållande upprepning: modellkortet föreslår de rekommenderade samplingsinställningarna och presence_penalty 1.5 när betydande upprepning uppstår. Högre straff kan ibland blanda språk eller försämra prestandan. För resonemang föreslås temperature 0.6 med top-p 0.95, top-k 20 och min-p 0; för direktläge är temperature 0.7 med top-p 0.8, top-k 20 och min-p 0. Undvik greedy-avkodning i resonemangsläge. Kontrollera namn, datum, etiketter och upprepade satser och validera strukturerade utdata innan de förs vidare till en annan del av applikationen.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B är en kompakt tät textmodell med både direktläge och resonemangsläge. Den stöder flerspråkig dialog, skrivande, kod och verktygsorienterade instruktioner, med en dokumenterad kontext på 32,768 token för exakt denna utgåva.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-1.7B kombinerar direkta svar och resonemang i en liten tät språkmodell. Tillverkaren beskriver instruktionsföljning, kreativt skrivande, rollbaserade samtal, matematik, logiska problem och kod, med stöd för fler än 100 språk och dialekter. Den tar emot text och producerar text. En användbar startuppgift är en noggrant specificerad omvandling: gör ett kort kundmeddelande till ett artigt svar, förklara en term för en viss läsare eller omvandla en mötesanteckning till en åtgärdslista.
Den specifika utgåvan har 1.7 miljarder parametrar, varav 1.4 miljarder utanför inbäddningarna, och 28 lager. Grouped-query attention använder 16 frågehuvuden och åtta nyckel-/värdehuvuden. Modellens eget kort anger en kontextlängd på 32,768 token. Det är utgåvans dokumenterade fönster; större kontextsiffror från andra Qwen3-storlekar ska vara knutna till deras separata modellkort. Håll källtext, instruktioner, samtalshistorik och begärt svar inom relevant sekvensbudget. För en svarsassistent ska mottaget meddelande, verifierade bakgrundsfakta, målgrupp och önskad längd anges i stället för ett helt ovidkommande korrespondensarkiv.
Tillverkarens snabbstart formaterar ett samtal med modellens chattmall. Förbered en liten fullständig uppgift som kan kontrolleras mot sin källa. För ett exempel med åtgärdslista ska en anteckning med namn, datum och beslut ges; be om en post per åtgärd och kräv ett uttryckligt okänt värde där ansvarig inte angavs. För ett programmeringsexempel ska en funktion och representativa indata tillhandahållas; be sedan modellen förklara den gren som avgör resultatet. En returnerad förklaring ska hänvisa till verkliga variabler och villkor i stället för att introducera hypotetiskt beteende. Den publicerade integrationen förutsätter en Qwen3-kompatibel körmiljö; modellkortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Resonemang är aktiverat som standard i den medföljande mallen. En hård omkopplare väljer direkt utdata utan resonemangsdel. När resonemang är aktiverat fungerar /think och /no_think som instruktioner per tur, där den senaste styr valet; de kan inte åsidosätta ett hårt avstängt läge. Använd direktinställningen för en kort omskrivning och resonemangsinställningen när svaret måste förena flera villkor. Håll mellanliggande resonemang åtskilt från slutsvaret och behåll slutsvaret i senare dialoghistorik. När resonemang är aktiverat behåller även en mjuk begäran om direkt svar ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Agentanvändning ingår i den publicerade uppsättningen förmågor. Tillverkaren rekommenderar Qwen-Agent för verktygsformatering och parsning, medan applikationen tillhandahåller och kör verktygen. En avgränsad assistent kan begära ett ordboksuppslag för en produktterm, få den bekräftade definitionen och sedan skriva om användarens mening. Definiera tillåtna argument och returnerade fält; kontrollera båda innan resultatet används. Sluttexten ska skilja mellan tillhandahållna fakta, returnerad information och frågor som förblir obesvarade. Qwen3-guiden beskriver även parallella verktygsanrop och anrop i flera steg, med argument representerade som objekt och resultat återförda till samtalet.
Utdatabudgeten ska passa hela uppgiften. Modellkortet ger genereringsexempel och rekommendationer om utdatalängd; dessa skiljer sig från en bevisad maximal tjänstegräns. Korta begärda utdata är lätta att verifiera: ange fält, ordning och språk, och håll ursprungsmeddelandet tillgängligt för jämförelse. Utvärdera resultatet på den faktiska typen av indata innan lång textgenerering används. 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.
Denna storlek har en särskild anmärkning om ihållande upprepning: modellkortet föreslår de rekommenderade samplingsinställningarna och presence_penalty 1.5 när betydande upprepning uppstår. Högre straff kan ibland blanda språk eller försämra prestandan. För resonemang föreslås temperature 0.6 med top-p 0.95, top-k 20 och min-p 0; för direktläge är temperature 0.7 med top-p 0.8, top-k 20 och min-p 0. Undvik greedy-avkodning i resonemangsläge. Kontrollera namn, datum, etiketter och upprepade satser och validera strukturerade utdata innan de förs vidare till en annan del av applikationen.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen3-1.7b | 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Använd metodsökvägarna som visas ovan.
qwen3-1.7bQwen3-1.7B är en kompakt tät textmodell med både direktläge och resonemangsläge. Den stöder flerspråkig dialog, skrivande, kod och verktygsorienterade instruktioner, med en dokumenterad kontext på 32,768 token för exakt denna utgåva.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-1.7B kombinerar direkta svar och resonemang i en liten tät språkmodell. Tillverkaren beskriver instruktionsföljning, kreativt skrivande, rollbaserade samtal, matematik, logiska problem och kod, med stöd för fler än 100 språk och dialekter. Den tar emot text och producerar text. En användbar startuppgift är en noggrant specificerad omvandling: gör ett kort kundmeddelande till ett artigt svar, förklara en term för en viss läsare eller omvandla en mötesanteckning till en åtgärdslista.
Den specifika utgåvan har 1.7 miljarder parametrar, varav 1.4 miljarder utanför inbäddningarna, och 28 lager. Grouped-query attention använder 16 frågehuvuden och åtta nyckel-/värdehuvuden. Modellens eget kort anger en kontextlängd på 32,768 token. Det är utgåvans dokumenterade fönster; större kontextsiffror från andra Qwen3-storlekar ska vara knutna till deras separata modellkort. Håll källtext, instruktioner, samtalshistorik och begärt svar inom relevant sekvensbudget. För en svarsassistent ska mottaget meddelande, verifierade bakgrundsfakta, målgrupp och önskad längd anges i stället för ett helt ovidkommande korrespondensarkiv.
Tillverkarens snabbstart formaterar ett samtal med modellens chattmall. Förbered en liten fullständig uppgift som kan kontrolleras mot sin källa. För ett exempel med åtgärdslista ska en anteckning med namn, datum och beslut ges; be om en post per åtgärd och kräv ett uttryckligt okänt värde där ansvarig inte angavs. För ett programmeringsexempel ska en funktion och representativa indata tillhandahållas; be sedan modellen förklara den gren som avgör resultatet. En returnerad förklaring ska hänvisa till verkliga variabler och villkor i stället för att introducera hypotetiskt beteende. Den publicerade integrationen förutsätter en Qwen3-kompatibel körmiljö; modellkortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Resonemang är aktiverat som standard i den medföljande mallen. En hård omkopplare väljer direkt utdata utan resonemangsdel. När resonemang är aktiverat fungerar /think och /no_think som instruktioner per tur, där den senaste styr valet; de kan inte åsidosätta ett hårt avstängt läge. Använd direktinställningen för en kort omskrivning och resonemangsinställningen när svaret måste förena flera villkor. Håll mellanliggande resonemang åtskilt från slutsvaret och behåll slutsvaret i senare dialoghistorik. När resonemang är aktiverat behåller även en mjuk begäran om direkt svar ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Agentanvändning ingår i den publicerade uppsättningen förmågor. Tillverkaren rekommenderar Qwen-Agent för verktygsformatering och parsning, medan applikationen tillhandahåller och kör verktygen. En avgränsad assistent kan begära ett ordboksuppslag för en produktterm, få den bekräftade definitionen och sedan skriva om användarens mening. Definiera tillåtna argument och returnerade fält; kontrollera båda innan resultatet används. Sluttexten ska skilja mellan tillhandahållna fakta, returnerad information och frågor som förblir obesvarade. Qwen3-guiden beskriver även parallella verktygsanrop och anrop i flera steg, med argument representerade som objekt och resultat återförda till samtalet.
Utdatabudgeten ska passa hela uppgiften. Modellkortet ger genereringsexempel och rekommendationer om utdatalängd; dessa skiljer sig från en bevisad maximal tjänstegräns. Korta begärda utdata är lätta att verifiera: ange fält, ordning och språk, och håll ursprungsmeddelandet tillgängligt för jämförelse. Utvärdera resultatet på den faktiska typen av indata innan lång textgenerering används. 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.
Denna storlek har en särskild anmärkning om ihållande upprepning: modellkortet föreslår de rekommenderade samplingsinställningarna och presence_penalty 1.5 när betydande upprepning uppstår. Högre straff kan ibland blanda språk eller försämra prestandan. För resonemang föreslås temperature 0.6 med top-p 0.95, top-k 20 och min-p 0; för direktläge är temperature 0.7 med top-p 0.8, top-k 20 och min-p 0. Undvik greedy-avkodning i resonemangsläge. Kontrollera namn, datum, etiketter och upprepade satser och validera strukturerade utdata innan de förs vidare till en annan del av applikationen.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen3-1.7b | 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 $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.