Qwen3-4B tillämpar Qwen3:s hybrida svarsdesign på en kompakt tät språkmodell. Tillverkaren beskriver matematiskt och logiskt resonemang, kodgenerering, kreativt skrivande, rollbaserad interaktion och dialog över flera turer, tillsammans med instruktionsföljande på fler än 100 språk och dialekter. En fokuserad redaktionell eller teknisk uppgift är ett användbart arbetssätt: ge ett specifikt källfragment och be om en väldefinierad omvandling i stället för en öppen översikt.
Utgåvan innehåller fyra miljarder parametrar, med 3.6 miljarder utanför inbäddningarna, och har 36 lager. Grupperad frågeuppmärksamhet använder 32 frågehuvuden och åtta nyckel/värde-huvuden. Text är både indata och utdata. Detta kort beskriver den ursprungliga hybrida Qwen3-4B-utgåvan, inte en senare daterad Thinking- eller Instruct-modell. Ett praktiskt exempel är att omvandla en kort incidentanteckning till en operativ överlämning med det observerade felet, känd påverkan och nästa undersökningssteg. Ge dessa fakta som separata fält och kräv att modellen markerar saknad information i stället för att fylla i den.
Förbered instruktionen och källan som separata delar av ett chattmeddelande. För programmering bifogar du en liten funktion, representativa indata och önskat returvärde och begär sedan en förklaring eller en snävt avgränsad ändring. Be om ett vanligt fall och ett gränsfall som del av utdatan. För en skrivuppgift anger du målgrupp, längd och ord som måste vara oförändrade. För en klassificeringsuppgift ger du tillåtna etiketter, deras definitioner och ett exempel på utdata; det returnerade valet bör sedan kontrolleras mot listan. Den publicerade integrationen förväntar sig en Qwen3-medveten körmiljö; kortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Tänkande och icke-tänkande är inbyggda i samma utgåva. I tillverkarens mall är tänkande påslaget som standard och en hård omkopplare stänger av det. När tänkande är aktiverat är /think och /no_think mjuka instruktioner som kan ändra beteendet mellan turer; den senaste instruktionen gäller. De återaktiverar inte ett hårt avstängt läge. En kort textomvandling kan begära ett direkt svar, medan en förklaring av motstridiga villkor kan använda resonemang. Spara det slutliga svaret snarare än tidigare resonemangstext som det användbara resultatet av en konversationstur. När tänkande är aktiverat behåller även en mjuk begäran om icke-tänkande ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Modellkortet omfattar agentanvändning och rekommenderar Qwen-Agent för verktygsdefinitioner och tolkning. För en assistent som klassificerar ett inkommande ärende och sedan slår upp en kategoribeskrivning skulle applikationen exponera uppslagsverktyget, köra eventuella accepterade anrop och tillhandahålla resultatet. Definiera argument och förväntade fält i förväg. Begär en slutlig ärendepost med vald kategori, en kort motivering och eventuella okända fält. Validera posten och behåll verktygsresultatet som användes för att skapa den. Qwen3-guiden beskriver också parallella verktygsanrop och anrop i flera steg, med argument som objekt och resultat återförda till konversationen.
Det exakta kortet anger 32,768 ursprungliga kontexttoken och dokumenterar utökning till 131,072 med YaRN. Den utökade siffran är knuten till konfiguration; statisk skalning kan påverka kortare indata. Planera hela förfrågan och svaret tillsammans. För en samling korta anteckningar märker du varje post, ber om motsvarande utdataidentifierare och använder ett kortfattat schema så att det genererade resultatet fortfarande ryms. Kortets exempel och rekommendationer för utdatalängd är inte en universell hård genereringsgräns. Qwen3-dokumentationen diskuterar assistant-meddelandelängder på 38,912 token i tänkande läge och 16,384 i icke-tänkande läge i sin förklaring av träningslängd och rekommenderar att kvaliteten vid längre generering utvärderas. Siffrorna är skilda från det totala kontextfönstret och är inte en slutpunktsspecifik hård gräns. Kortet förklarar också sin standardfördelning av 40,960 tokenpositioner som 8,192 för typiska promptar plus 32,768 för utdata; detta är tillverkarens konfigurationsvägledning, skild från den ursprungliga träningskontexten och eventuell slutpunktsgräns.
Denna utgåva har en ytterligare varning om ihållande upprepning. Tillverkaren hänvisar till den rekommenderade samplingskonfigurationen och föreslår presence_penalty 1.5 vid betydande upprepning. Den allmänna vägledningen noterar att starkare straff kan orsaka språkblandning i utdatan eller sänka kvaliteten, så detta är en riktad inställning snarare än en garanti. Tänkande läge använder temperature 0.6, top-p 0.95, top-k 20 och min-p 0; icke-tänkande använder 0.7, 0.8, 20 och 0. Undvik girig avkodning för resonemang, kräv ett tydligt avgränsat slutligt svar och inspektera resultatet efter upprepade satser, saknade fält och ändrad terminologi.
", "aboutText": "Qwen3-4B tillämpar Qwen3:s hybrida svarsdesign på en kompakt tät språkmodell. Tillverkaren beskriver matematiskt och logiskt resonemang, kodgenerering, kreativt skrivande, rollbaserad interaktion och dialog över flera turer, tillsammans med instruktionsföljande på fler än 100 språk och dialekter. En fokuserad redaktionell eller teknisk uppgift är ett användbart arbetssätt: ge ett specifikt källfragment och be om en väldefinierad omvandling i stället för en öppen översikt.\n\nUtgåvan innehåller fyra miljarder parametrar, med 3.6 miljarder utanför inbäddningarna, och har 36 lager. Grupperad frågeuppmärksamhet använder 32 frågehuvuden och åtta nyckel/värde-huvuden. Text är både indata och utdata. Detta kort beskriver den ursprungliga hybrida Qwen3-4B-utgåvan, inte en senare daterad Thinking- eller Instruct-modell. Ett praktiskt exempel är att omvandla en kort incidentanteckning till en operativ överlämning med det observerade felet, känd påverkan och nästa undersökningssteg. Ge dessa fakta som separata fält och kräv att modellen markerar saknad information i stället för att fylla i den.\n\nFörbered instruktionen och källan som separata delar av ett chattmeddelande. För programmering bifogar du en liten funktion, representativa indata och önskat returvärde och begär sedan en förklaring eller en snävt avgränsad ändring. Be om ett vanligt fall och ett gränsfall som del av utdatan. För en skrivuppgift anger du målgrupp, längd och ord som måste vara oförändrade. För en klassificeringsuppgift ger du tillåtna etiketter, deras definitioner och ett exempel på utdata; det returnerade valet bör sedan kontrolleras mot listan. Den publicerade integrationen förväntar sig en Qwen3-medveten körmiljö; kortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.\n\nTänkande och icke-tänkande är inbyggda i samma utgåva. I tillverkarens mall är tänkande påslaget som standard och en hård omkopplare stänger av det. När tänkande är aktiverat är /think och /no_think mjuka instruktioner som kan ändra beteendet mellan turer; den senaste instruktionen gäller. De återaktiverar inte ett hårt avstängt läge. En kort textomvandling kan begära ett direkt svar, medan en förklaring av motstridiga villkor kan använda resonemang. Spara det slutliga svaret snarare än tidigare resonemangstext som det användbara resultatet av en konversationstur. När tänkande är aktiverat behåller även en mjuk begäran om icke-tänkande ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.\n\nModellkortet omfattar agentanvändning och rekommenderar Qwen-Agent för verktygsdefinitioner och tolkning. För en assistent som klassificerar ett inkommande ärende och sedan slår upp en kategoribeskrivning skulle applikationen exponera uppslagsverktyget, köra eventuella accepterade anrop och tillhandahålla resultatet. Definiera argument och förväntade fält i förväg. Begär en slutlig ärendepost med vald kategori, en kort motivering och eventuella okända fält. Validera posten och behåll verktygsresultatet som användes för att skapa den. Qwen3-guiden beskriver också parallella verktygsanrop och anrop i flera steg, med argument som objekt och resultat återförda till konversationen.\n\nDet exakta kortet anger 32,768 ursprungliga kontexttoken och dokumenterar utökning till 131,072 med YaRN. Den utökade siffran är knuten till konfiguration; statisk skalning kan påverka kortare indata. Planera hela förfrågan och svaret tillsammans. För en samling korta anteckningar märker du varje post, ber om motsvarande utdataidentifierare och använder ett kortfattat schema så att det genererade resultatet fortfarande ryms. Kortets exempel och rekommendationer för utdatalängd är inte en universell hård genereringsgräns. Qwen3-dokumentationen diskuterar assistant-meddelandelängder på 38,912 token i tänkande läge och 16,384 i icke-tänkande läge i sin förklaring av träningslängd och rekommenderar att kvaliteten vid längre generering utvärderas. Siffrorna är skilda från det totala kontextfönstret och är inte en slutpunktsspecifik hård gräns. Kortet förklarar också sin standardfördelning av 40,960 tokenpositioner som 8,192 för typiska promptar plus 32,768 för utdata; detta är tillverkarens konfigurationsvägledning, skild från den ursprungliga träningskontexten och eventuell slutpunktsgräns.\n\nDenna utgåva har en ytterligare varning om ihållande upprepning. Tillverkaren hänvisar till den rekommenderade samplingskonfigurationen och föreslår presence_penalty 1.5 vid betydande upprepning. Den allmänna vägledningen noterar att starkare straff kan orsaka språkblandning i utdatan eller sänka kvaliteten, så detta är en riktad inställning snarare än en garanti. Tänkande läge använder temperature 0.6, top-p 0.95, top-k 20 och min-p 0; icke-tänkande använder 0.7, 0.8, 20 och 0. Undvik girig avkodning för resonemang, kräv ett tydligt avgränsat slutligt svar och inspektera resultatet efter upprepade satser, saknade fält och ändrad terminologi.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.qwen3-4bQwen3-4B är en textmodell med fyra miljarder parametrar för instruktionsföljning, flerspråkig dialog och kod. Dess hybridutformning stöder både direkta svar och ett resonemangsläge, med utgåvespecifik vägledning för att motverka upprepning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-4B tillämpar Qwen3:s hybrida svarsdesign på en kompakt tät språkmodell. Tillverkaren beskriver matematiskt och logiskt resonemang, kodgenerering, kreativt skrivande, rollbaserad interaktion och dialog över flera turer, tillsammans med instruktionsföljande på fler än 100 språk och dialekter. En fokuserad redaktionell eller teknisk uppgift är ett användbart arbetssätt: ge ett specifikt källfragment och be om en väldefinierad omvandling i stället för en öppen översikt.
Utgåvan innehåller fyra miljarder parametrar, med 3.6 miljarder utanför inbäddningarna, och har 36 lager. Grupperad frågeuppmärksamhet använder 32 frågehuvuden och åtta nyckel/värde-huvuden. Text är både indata och utdata. Detta kort beskriver den ursprungliga hybrida Qwen3-4B-utgåvan, inte en senare daterad Thinking- eller Instruct-modell. Ett praktiskt exempel är att omvandla en kort incidentanteckning till en operativ överlämning med det observerade felet, känd påverkan och nästa undersökningssteg. Ge dessa fakta som separata fält och kräv att modellen markerar saknad information i stället för att fylla i den.
Förbered instruktionen och källan som separata delar av ett chattmeddelande. För programmering bifogar du en liten funktion, representativa indata och önskat returvärde och begär sedan en förklaring eller en snävt avgränsad ändring. Be om ett vanligt fall och ett gränsfall som del av utdatan. För en skrivuppgift anger du målgrupp, längd och ord som måste vara oförändrade. För en klassificeringsuppgift ger du tillåtna etiketter, deras definitioner och ett exempel på utdata; det returnerade valet bör sedan kontrolleras mot listan. Den publicerade integrationen förväntar sig en Qwen3-medveten körmiljö; kortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Tänkande och icke-tänkande är inbyggda i samma utgåva. I tillverkarens mall är tänkande påslaget som standard och en hård omkopplare stänger av det. När tänkande är aktiverat är /think och /no_think mjuka instruktioner som kan ändra beteendet mellan turer; den senaste instruktionen gäller. De återaktiverar inte ett hårt avstängt läge. En kort textomvandling kan begära ett direkt svar, medan en förklaring av motstridiga villkor kan använda resonemang. Spara det slutliga svaret snarare än tidigare resonemangstext som det användbara resultatet av en konversationstur. När tänkande är aktiverat behåller även en mjuk begäran om icke-tänkande ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Modellkortet omfattar agentanvändning och rekommenderar Qwen-Agent för verktygsdefinitioner och tolkning. För en assistent som klassificerar ett inkommande ärende och sedan slår upp en kategoribeskrivning skulle applikationen exponera uppslagsverktyget, köra eventuella accepterade anrop och tillhandahålla resultatet. Definiera argument och förväntade fält i förväg. Begär en slutlig ärendepost med vald kategori, en kort motivering och eventuella okända fält. Validera posten och behåll verktygsresultatet som användes för att skapa den. Qwen3-guiden beskriver också parallella verktygsanrop och anrop i flera steg, med argument som objekt och resultat återförda till konversationen.
Det exakta kortet anger 32,768 ursprungliga kontexttoken och dokumenterar utökning till 131,072 med YaRN. Den utökade siffran är knuten till konfiguration; statisk skalning kan påverka kortare indata. Planera hela förfrågan och svaret tillsammans. För en samling korta anteckningar märker du varje post, ber om motsvarande utdataidentifierare och använder ett kortfattat schema så att det genererade resultatet fortfarande ryms. Kortets exempel och rekommendationer för utdatalängd är inte en universell hård genereringsgräns. Qwen3-dokumentationen diskuterar assistant-meddelandelängder på 38,912 token i tänkande läge och 16,384 i icke-tänkande läge i sin förklaring av träningslängd och rekommenderar att kvaliteten vid längre generering utvärderas. Siffrorna är skilda från det totala kontextfönstret och är inte en slutpunktsspecifik hård gräns. Kortet förklarar också sin standardfördelning av 40,960 tokenpositioner som 8,192 för typiska promptar plus 32,768 för utdata; detta är tillverkarens konfigurationsvägledning, skild från den ursprungliga träningskontexten och eventuell slutpunktsgräns.
Denna utgåva har en ytterligare varning om ihållande upprepning. Tillverkaren hänvisar till den rekommenderade samplingskonfigurationen och föreslår presence_penalty 1.5 vid betydande upprepning. Den allmänna vägledningen noterar att starkare straff kan orsaka språkblandning i utdatan eller sänka kvaliteten, så detta är en riktad inställning snarare än en garanti. Tänkande läge använder temperature 0.6, top-p 0.95, top-k 20 och min-p 0; icke-tänkande använder 0.7, 0.8, 20 och 0. Undvik girig avkodning för resonemang, kräv ett tydligt avgränsat slutligt svar och inspektera resultatet efter upprepade satser, saknade fält och ändrad terminologi.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen3-4b | 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": "qwen3-4b", "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='qwen3-4b',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='qwen3-4b',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 qwen3-4b
Använd metodsökvägarna som visas ovan.
qwen3-4bQwen3-4B är en textmodell med fyra miljarder parametrar för instruktionsföljning, flerspråkig dialog och kod. Dess hybridutformning stöder både direkta svar och ett resonemangsläge, med utgåvespecifik vägledning för att motverka upprepning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-4B tillämpar Qwen3:s hybrida svarsdesign på en kompakt tät språkmodell. Tillverkaren beskriver matematiskt och logiskt resonemang, kodgenerering, kreativt skrivande, rollbaserad interaktion och dialog över flera turer, tillsammans med instruktionsföljande på fler än 100 språk och dialekter. En fokuserad redaktionell eller teknisk uppgift är ett användbart arbetssätt: ge ett specifikt källfragment och be om en väldefinierad omvandling i stället för en öppen översikt.
Utgåvan innehåller fyra miljarder parametrar, med 3.6 miljarder utanför inbäddningarna, och har 36 lager. Grupperad frågeuppmärksamhet använder 32 frågehuvuden och åtta nyckel/värde-huvuden. Text är både indata och utdata. Detta kort beskriver den ursprungliga hybrida Qwen3-4B-utgåvan, inte en senare daterad Thinking- eller Instruct-modell. Ett praktiskt exempel är att omvandla en kort incidentanteckning till en operativ överlämning med det observerade felet, känd påverkan och nästa undersökningssteg. Ge dessa fakta som separata fält och kräv att modellen markerar saknad information i stället för att fylla i den.
Förbered instruktionen och källan som separata delar av ett chattmeddelande. För programmering bifogar du en liten funktion, representativa indata och önskat returvärde och begär sedan en förklaring eller en snävt avgränsad ändring. Be om ett vanligt fall och ett gränsfall som del av utdatan. För en skrivuppgift anger du målgrupp, längd och ord som måste vara oförändrade. För en klassificeringsuppgift ger du tillåtna etiketter, deras definitioner och ett exempel på utdata; det returnerade valet bör sedan kontrolleras mot listan. Den publicerade integrationen förväntar sig en Qwen3-medveten körmiljö; kortet varnar för att Transformers-versioner under 4.51.0 inte känner igen den nödvändiga arkitekturen.
Tänkande och icke-tänkande är inbyggda i samma utgåva. I tillverkarens mall är tänkande påslaget som standard och en hård omkopplare stänger av det. När tänkande är aktiverat är /think och /no_think mjuka instruktioner som kan ändra beteendet mellan turer; den senaste instruktionen gäller. De återaktiverar inte ett hårt avstängt läge. En kort textomvandling kan begära ett direkt svar, medan en förklaring av motstridiga villkor kan använda resonemang. Spara det slutliga svaret snarare än tidigare resonemangstext som det användbara resultatet av en konversationstur. När tänkande är aktiverat behåller även en mjuk begäran om icke-tänkande ett resonemangsblock; innehållet kan vara tomt. Hård avstängning tar bort blocket.
Modellkortet omfattar agentanvändning och rekommenderar Qwen-Agent för verktygsdefinitioner och tolkning. För en assistent som klassificerar ett inkommande ärende och sedan slår upp en kategoribeskrivning skulle applikationen exponera uppslagsverktyget, köra eventuella accepterade anrop och tillhandahålla resultatet. Definiera argument och förväntade fält i förväg. Begär en slutlig ärendepost med vald kategori, en kort motivering och eventuella okända fält. Validera posten och behåll verktygsresultatet som användes för att skapa den. Qwen3-guiden beskriver också parallella verktygsanrop och anrop i flera steg, med argument som objekt och resultat återförda till konversationen.
Det exakta kortet anger 32,768 ursprungliga kontexttoken och dokumenterar utökning till 131,072 med YaRN. Den utökade siffran är knuten till konfiguration; statisk skalning kan påverka kortare indata. Planera hela förfrågan och svaret tillsammans. För en samling korta anteckningar märker du varje post, ber om motsvarande utdataidentifierare och använder ett kortfattat schema så att det genererade resultatet fortfarande ryms. Kortets exempel och rekommendationer för utdatalängd är inte en universell hård genereringsgräns. Qwen3-dokumentationen diskuterar assistant-meddelandelängder på 38,912 token i tänkande läge och 16,384 i icke-tänkande läge i sin förklaring av träningslängd och rekommenderar att kvaliteten vid längre generering utvärderas. Siffrorna är skilda från det totala kontextfönstret och är inte en slutpunktsspecifik hård gräns. Kortet förklarar också sin standardfördelning av 40,960 tokenpositioner som 8,192 för typiska promptar plus 32,768 för utdata; detta är tillverkarens konfigurationsvägledning, skild från den ursprungliga träningskontexten och eventuell slutpunktsgräns.
Denna utgåva har en ytterligare varning om ihållande upprepning. Tillverkaren hänvisar till den rekommenderade samplingskonfigurationen och föreslår presence_penalty 1.5 vid betydande upprepning. Den allmänna vägledningen noterar att starkare straff kan orsaka språkblandning i utdatan eller sänka kvaliteten, så detta är en riktad inställning snarare än en garanti. Tänkande läge använder temperature 0.6, top-p 0.95, top-k 20 och min-p 0; icke-tänkande använder 0.7, 0.8, 20 och 0. Undvik girig avkodning för resonemang, kräv ett tydligt avgränsat slutligt svar och inspektera resultatet efter upprepade satser, saknade fält och ändrad terminologi.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen3-4b | 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 $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen3-4b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-4b', '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': 'qwen3-4b', '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 qwen3-4b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.