Điểm nổi bật của Qwen3.8 trong mô hình thị giác-ngôn ngữ kiến trúc dày đặc
Qwen3.8-27B đưa những cải tiến của Qwen3.8 về lập trình, công việc chuyên môn, nghiên cứu và nhiệm vụ tác tử vào một mô hình kiến trúc dày đặc có 27 tỷ tham số. Mô hình nhận văn bản, hình ảnh và video, trả về văn bản. Phạm vi xử lý thị giác được tài liệu mô tả bao gồm sơ đồ STEM, các trang tài liệu và video dài hàng giờ. Đây là checkpoint riêng biệt với Qwen3.8-2.4T-A95B lớn hơn nhiều và chỉ xử lý văn bản, vì vậy cần phân biệt khả năng đầu vào và quy ước về chế độ suy nghĩ của hai mô hình.
Qwen nhấn mạnh khả năng tự lập kế hoạch, sử dụng phản hồi từ môi trường và tích hợp với các bộ khung phát triển. Với nhiệm vụ tác tử, hãy cung cấp mục tiêu, tài liệu liên quan, các công cụ được phép dùng và bằng chứng thể hiện việc hoàn thành. Mô hình có thể đề xuất rồi điều chỉnh hành động dựa trên kết quả trả về; phần mềm được kết nối mới thực hiện các hành động đó. Hãy yêu cầu sản phẩm cuối cùng và những điều kiện còn chưa được giải quyết, thay vì xem một bản kế hoạch là kết quả đã thực hiện.
Tổng quan mô hình
Mô hình 27B có 64 lớp mô hình ngôn ngữ. Bố cục lai của nó nhóm ba lớp Gated DeltaNet, tiếp theo là một lớp chú ý có cổng, kết hợp với các mạng truyền thẳng kiến trúc dày đặc. Mô hình được huấn luyện với dự đoán nhiều token và có bộ mã hóa thị giác. Những lựa chọn kiến trúc này mô tả mô hình đã phát hành; chúng không có nghĩa mọi cách triển khai đều có mức sử dụng bộ nhớ hoặc độ trễ giống nhau.
Ngữ cảnh gốc là 262,144 token, với khả năng mở rộng lên 1,000,000 được mô tả trong tài liệu. Văn bản, biểu diễn thị giác, lịch sử hội thoại, nội dung suy nghĩ và đầu ra cuối cùng cùng sử dụng giới hạn độ dài chuỗi đã cấu hình. Nhà phát triển còn đề cập riêng đến một phiên bản dịch vụ được quản lý có các tính năng bổ sung; không nên tự động gán những tính năng đó cho checkpoint mở.
Sử dụng văn bản, hình ảnh và video
Với nhiệm vụ lập trình, hãy cung cấp hàm hoặc mô-đun liên quan, một đầu vào gây lỗi và hành vi mong đợi, sau đó yêu cầu bản vá kèm các giả định và phép kiểm tra chịu ảnh hưởng. Với sơ đồ, hãy giữ nguyên nhãn và cung cấp câu hỏi đầy đủ. Với tài liệu, hãy yêu cầu các trường cụ thể hoặc kết luận kèm tham chiếu trang. Với video, hãy nêu sự kiện cần quan tâm và giữ lại thông tin thời gian của sự kiện.
Ví dụ video của nhà phát triển mặc định sử dụng hai khung hình mỗi giây trong quy trình phục vụ suy luận được hỗ trợ, với các tùy chọn điều khiển lấy mẫu. Tóm tắt toàn cảnh và một sự kiện ngắn có thể cần cách lấy mẫu khác nhau. Hướng dẫn video dài khuyến nghị tăng hạn mức của bộ xử lý video để hỗ trợ lấy mẫu ở tốc độ cao hơn cho tư liệu dài hàng giờ, với ví dụ tương ứng khoảng 224K token video. Điều này đòi hỏi cấu hình và cạnh tranh không gian với nội dung ngữ cảnh khác; đây không phải bảo đảm chung về thời lượng clip.
Chế độ suy nghĩ và suy luận trong lịch sử
Chế độ suy nghĩ được bật mặc định và có thể tắt cho từng yêu cầu bằng tùy chọn enable_thinking của nhà phát triển. reasoning_effort hỗ trợ xhigh, medium và low, với xhigh là mặc định. Mức nỗ lực thấp hơn có thể rút ngắn một lượt riêng lẻ, nhưng Qwen cảnh báo rằng phân tích không đủ trong nhiệm vụ tác tử có thể gây thất bại và phải làm lại, làm tăng tổng thời gian hoàn thành.
preserve_thinking được bật mặc định, giữ lại các khối suy luận từ những tin nhắn trong lịch sử để duy trì tính liên tục. Khi tắt tùy chọn này, chỉ các khối suy nghĩ được tạo trong quá trình xử lý tin nhắn mới nhất của người dùng được giữ lại. Điều này khác với hướng dẫn Qwen trước đây vốn loại bỏ hoàn toàn suy luận trong lịch sử. Hãy tách nội dung suy luận khỏi nội dung cuối cùng trên giao diện và giữ đúng định dạng hội thoại mà checkpoint yêu cầu. Các tùy chọn của nhà phát triển không xác định ứng dụng khác cung cấp những tham số nào.
Hướng dẫn sinh nội dung
Với chế độ suy nghĩ, Qwen khuyến nghị temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 và repetition penalty 1.0. Với phản hồi trực tiếp, các giá trị tương ứng được khuyến nghị là 0.7, 0.8, 20, 0, 1.5 và 1.0. presence penalty cao hơn có thể giảm lặp lại nhưng cũng có thể làm lẫn ngôn ngữ hoặc giảm nhẹ chất lượng.
Trong quy trình một triệu token đã cấu hình và có hỗ trợ các giới hạn riêng biệt, nhà phát triển khuyến nghị hạn mức 262,144 token cho suy luận và 131,072 cho phản hồi cuối cùng. Đây là các khuyến nghị về hạn mức có điều kiện, không phải những mức trần đầu ra cứng độc lập hay các phần phân bổ có thể đồng thời nằm trong ngữ cảnh gốc.
Ngữ cảnh cực dài và giới hạn
Phương pháp mở rộng được mô tả dùng YaRN với các thiết lập vị trí đan xen riêng của mô hình. Hệ số bốn hướng đến quy trình một triệu token; với khối lượng khoảng 524,288 token, nhà phát triển gợi ý hệ số hai. Việc co giãn tĩnh có thể ảnh hưởng đến chất lượng trên văn bản ngắn hơn, vì vậy Qwen khuyên bật khi cần ngữ cảnh dài hơn. Không sao chép hệ số ngoại suy của một phiên bản Qwen-VL khác nếu không có công thức riêng của phiên bản đó.
Hãy tổ chức đầu vào dài theo định danh tài liệu, trang hoặc mã nguồn và yêu cầu kết quả có thể kiểm tra. Đối chiếu phép tính, nhãn nhỏ trong hình và bản vá được sinh với nguồn. Ngữ cảnh dài, khả năng giữ suy luận và hạn mức video lớn hơn giúp mang theo nhiều bằng chứng hơn trong nhiệm vụ; tự chúng không chứng minh khả năng nhớ lại đầy đủ, suy luận đúng hay đã hoàn thành một hành động bên ngoài.
", "aboutText": "Điểm nổi bật của Qwen3.8 trong mô hình thị giác-ngôn ngữ kiến trúc dày đặc\n\nQwen3.8-27B đưa những cải tiến của Qwen3.8 về lập trình, công việc chuyên môn, nghiên cứu và nhiệm vụ tác tử vào một mô hình kiến trúc dày đặc có 27 tỷ tham số. Mô hình nhận văn bản, hình ảnh và video, trả về văn bản. Phạm vi xử lý thị giác được tài liệu mô tả bao gồm sơ đồ STEM, các trang tài liệu và video dài hàng giờ. Đây là checkpoint riêng biệt với Qwen3.8-2.4T-A95B lớn hơn nhiều và chỉ xử lý văn bản, vì vậy cần phân biệt khả năng đầu vào và quy ước về chế độ suy nghĩ của hai mô hình.\n\nQwen nhấn mạnh khả năng tự lập kế hoạch, sử dụng phản hồi từ môi trường và tích hợp với các bộ khung phát triển. Với nhiệm vụ tác tử, hãy cung cấp mục tiêu, tài liệu liên quan, các công cụ được phép dùng và bằng chứng thể hiện việc hoàn thành. Mô hình có thể đề xuất rồi điều chỉnh hành động dựa trên kết quả trả về; phần mềm được kết nối mới thực hiện các hành động đó. Hãy yêu cầu sản phẩm cuối cùng và những điều kiện còn chưa được giải quyết, thay vì xem một bản kế hoạch là kết quả đã thực hiện.\n\nTổng quan mô hình\n\nMô hình 27B có 64 lớp mô hình ngôn ngữ. Bố cục lai của nó nhóm ba lớp Gated DeltaNet, tiếp theo là một lớp chú ý có cổng, kết hợp với các mạng truyền thẳng kiến trúc dày đặc. Mô hình được huấn luyện với dự đoán nhiều token và có bộ mã hóa thị giác. Những lựa chọn kiến trúc này mô tả mô hình đã phát hành; chúng không có nghĩa mọi cách triển khai đều có mức sử dụng bộ nhớ hoặc độ trễ giống nhau.\n\nNgữ cảnh gốc là 262,144 token, với khả năng mở rộng lên 1,000,000 được mô tả trong tài liệu. Văn bản, biểu diễn thị giác, lịch sử hội thoại, nội dung suy nghĩ và đầu ra cuối cùng cùng sử dụng giới hạn độ dài chuỗi đã cấu hình. Nhà phát triển còn đề cập riêng đến một phiên bản dịch vụ được quản lý có các tính năng bổ sung; không nên tự động gán những tính năng đó cho checkpoint mở.\n\nSử dụng văn bản, hình ảnh và video\n\nVới nhiệm vụ lập trình, hãy cung cấp hàm hoặc mô-đun liên quan, một đầu vào gây lỗi và hành vi mong đợi, sau đó yêu cầu bản vá kèm các giả định và phép kiểm tra chịu ảnh hưởng. Với sơ đồ, hãy giữ nguyên nhãn và cung cấp câu hỏi đầy đủ. Với tài liệu, hãy yêu cầu các trường cụ thể hoặc kết luận kèm tham chiếu trang. Với video, hãy nêu sự kiện cần quan tâm và giữ lại thông tin thời gian của sự kiện.\n\nVí dụ video của nhà phát triển mặc định sử dụng hai khung hình mỗi giây trong quy trình phục vụ suy luận được hỗ trợ, với các tùy chọn điều khiển lấy mẫu. Tóm tắt toàn cảnh và một sự kiện ngắn có thể cần cách lấy mẫu khác nhau. Hướng dẫn video dài khuyến nghị tăng hạn mức của bộ xử lý video để hỗ trợ lấy mẫu ở tốc độ cao hơn cho tư liệu dài hàng giờ, với ví dụ tương ứng khoảng 224K token video. Điều này đòi hỏi cấu hình và cạnh tranh không gian với nội dung ngữ cảnh khác; đây không phải bảo đảm chung về thời lượng clip.\n\nChế độ suy nghĩ và suy luận trong lịch sử\n\nChế độ suy nghĩ được bật mặc định và có thể tắt cho từng yêu cầu bằng tùy chọn enable_thinking của nhà phát triển. reasoning_effort hỗ trợ xhigh, medium và low, với xhigh là mặc định. Mức nỗ lực thấp hơn có thể rút ngắn một lượt riêng lẻ, nhưng Qwen cảnh báo rằng phân tích không đủ trong nhiệm vụ tác tử có thể gây thất bại và phải làm lại, làm tăng tổng thời gian hoàn thành.\n\npreserve_thinking được bật mặc định, giữ lại các khối suy luận từ những tin nhắn trong lịch sử để duy trì tính liên tục. Khi tắt tùy chọn này, chỉ các khối suy nghĩ được tạo trong quá trình xử lý tin nhắn mới nhất của người dùng được giữ lại. Điều này khác với hướng dẫn Qwen trước đây vốn loại bỏ hoàn toàn suy luận trong lịch sử. Hãy tách nội dung suy luận khỏi nội dung cuối cùng trên giao diện và giữ đúng định dạng hội thoại mà checkpoint yêu cầu. Các tùy chọn của nhà phát triển không xác định ứng dụng khác cung cấp những tham số nào.\n\nHướng dẫn sinh nội dung\n\nVới chế độ suy nghĩ, Qwen khuyến nghị temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 và repetition penalty 1.0. Với phản hồi trực tiếp, các giá trị tương ứng được khuyến nghị là 0.7, 0.8, 20, 0, 1.5 và 1.0. presence penalty cao hơn có thể giảm lặp lại nhưng cũng có thể làm lẫn ngôn ngữ hoặc giảm nhẹ chất lượng.\n\nTrong quy trình một triệu token đã cấu hình và có hỗ trợ các giới hạn riêng biệt, nhà phát triển khuyến nghị hạn mức 262,144 token cho suy luận và 131,072 cho phản hồi cuối cùng. Đây là các khuyến nghị về hạn mức có điều kiện, không phải những mức trần đầu ra cứng độc lập hay các phần phân bổ có thể đồng thời nằm trong ngữ cảnh gốc.\n\nNgữ cảnh cực dài và giới hạn\n\nPhương pháp mở rộng được mô tả dùng YaRN với các thiết lập vị trí đan xen riêng của mô hình. Hệ số bốn hướng đến quy trình một triệu token; với khối lượng khoảng 524,288 token, nhà phát triển gợi ý hệ số hai. Việc co giãn tĩnh có thể ảnh hưởng đến chất lượng trên văn bản ngắn hơn, vì vậy Qwen khuyên bật khi cần ngữ cảnh dài hơn. Không sao chép hệ số ngoại suy của một phiên bản Qwen-VL khác nếu không có công thức riêng của phiên bản đó.\n\nHãy tổ chức đầu vào dài theo định danh tài liệu, trang hoặc mã nguồn và yêu cầu kết quả có thể kiểm tra. Đối chiếu phép tính, nhãn nhỏ trong hình và bản vá được sinh với nguồn. Ngữ cảnh dài, khả năng giữ suy luận và hạn mức video lớn hơn giúp mang theo nhiều bằng chứng hơn trong nhiệm vụ; tự chúng không chứng minh khả năng nhớ lại đầy đủ, suy luận đúng hay đã hoàn thành một hành động bên ngoài.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B là mô hình thị giác-ngôn ngữ kiến trúc dày đặc của Qwen, nhận văn bản, hình ảnh và video, trả về văn bản. Mô hình kết hợp lập trình và công việc tác tử nhiều bước với chế độ suy nghĩ có thể lựa chọn, khả năng giữ lại nội dung suy luận và ngữ cảnh gốc 262,144 token, có thể mở rộng lên một triệu bằng cấu hình.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Điểm nổi bật của Qwen3.8 trong mô hình thị giác-ngôn ngữ kiến trúc dày đặc
Qwen3.8-27B đưa những cải tiến của Qwen3.8 về lập trình, công việc chuyên môn, nghiên cứu và nhiệm vụ tác tử vào một mô hình kiến trúc dày đặc có 27 tỷ tham số. Mô hình nhận văn bản, hình ảnh và video, trả về văn bản. Phạm vi xử lý thị giác được tài liệu mô tả bao gồm sơ đồ STEM, các trang tài liệu và video dài hàng giờ. Đây là checkpoint riêng biệt với Qwen3.8-2.4T-A95B lớn hơn nhiều và chỉ xử lý văn bản, vì vậy cần phân biệt khả năng đầu vào và quy ước về chế độ suy nghĩ của hai mô hình.
Qwen nhấn mạnh khả năng tự lập kế hoạch, sử dụng phản hồi từ môi trường và tích hợp với các bộ khung phát triển. Với nhiệm vụ tác tử, hãy cung cấp mục tiêu, tài liệu liên quan, các công cụ được phép dùng và bằng chứng thể hiện việc hoàn thành. Mô hình có thể đề xuất rồi điều chỉnh hành động dựa trên kết quả trả về; phần mềm được kết nối mới thực hiện các hành động đó. Hãy yêu cầu sản phẩm cuối cùng và những điều kiện còn chưa được giải quyết, thay vì xem một bản kế hoạch là kết quả đã thực hiện.
Tổng quan mô hình
Mô hình 27B có 64 lớp mô hình ngôn ngữ. Bố cục lai của nó nhóm ba lớp Gated DeltaNet, tiếp theo là một lớp chú ý có cổng, kết hợp với các mạng truyền thẳng kiến trúc dày đặc. Mô hình được huấn luyện với dự đoán nhiều token và có bộ mã hóa thị giác. Những lựa chọn kiến trúc này mô tả mô hình đã phát hành; chúng không có nghĩa mọi cách triển khai đều có mức sử dụng bộ nhớ hoặc độ trễ giống nhau.
Ngữ cảnh gốc là 262,144 token, với khả năng mở rộng lên 1,000,000 được mô tả trong tài liệu. Văn bản, biểu diễn thị giác, lịch sử hội thoại, nội dung suy nghĩ và đầu ra cuối cùng cùng sử dụng giới hạn độ dài chuỗi đã cấu hình. Nhà phát triển còn đề cập riêng đến một phiên bản dịch vụ được quản lý có các tính năng bổ sung; không nên tự động gán những tính năng đó cho checkpoint mở.
Sử dụng văn bản, hình ảnh và video
Với nhiệm vụ lập trình, hãy cung cấp hàm hoặc mô-đun liên quan, một đầu vào gây lỗi và hành vi mong đợi, sau đó yêu cầu bản vá kèm các giả định và phép kiểm tra chịu ảnh hưởng. Với sơ đồ, hãy giữ nguyên nhãn và cung cấp câu hỏi đầy đủ. Với tài liệu, hãy yêu cầu các trường cụ thể hoặc kết luận kèm tham chiếu trang. Với video, hãy nêu sự kiện cần quan tâm và giữ lại thông tin thời gian của sự kiện.
Ví dụ video của nhà phát triển mặc định sử dụng hai khung hình mỗi giây trong quy trình phục vụ suy luận được hỗ trợ, với các tùy chọn điều khiển lấy mẫu. Tóm tắt toàn cảnh và một sự kiện ngắn có thể cần cách lấy mẫu khác nhau. Hướng dẫn video dài khuyến nghị tăng hạn mức của bộ xử lý video để hỗ trợ lấy mẫu ở tốc độ cao hơn cho tư liệu dài hàng giờ, với ví dụ tương ứng khoảng 224K token video. Điều này đòi hỏi cấu hình và cạnh tranh không gian với nội dung ngữ cảnh khác; đây không phải bảo đảm chung về thời lượng clip.
Chế độ suy nghĩ và suy luận trong lịch sử
Chế độ suy nghĩ được bật mặc định và có thể tắt cho từng yêu cầu bằng tùy chọn enable_thinking của nhà phát triển. reasoning_effort hỗ trợ xhigh, medium và low, với xhigh là mặc định. Mức nỗ lực thấp hơn có thể rút ngắn một lượt riêng lẻ, nhưng Qwen cảnh báo rằng phân tích không đủ trong nhiệm vụ tác tử có thể gây thất bại và phải làm lại, làm tăng tổng thời gian hoàn thành.
preserve_thinking được bật mặc định, giữ lại các khối suy luận từ những tin nhắn trong lịch sử để duy trì tính liên tục. Khi tắt tùy chọn này, chỉ các khối suy nghĩ được tạo trong quá trình xử lý tin nhắn mới nhất của người dùng được giữ lại. Điều này khác với hướng dẫn Qwen trước đây vốn loại bỏ hoàn toàn suy luận trong lịch sử. Hãy tách nội dung suy luận khỏi nội dung cuối cùng trên giao diện và giữ đúng định dạng hội thoại mà checkpoint yêu cầu. Các tùy chọn của nhà phát triển không xác định ứng dụng khác cung cấp những tham số nào.
Hướng dẫn sinh nội dung
Với chế độ suy nghĩ, Qwen khuyến nghị temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 và repetition penalty 1.0. Với phản hồi trực tiếp, các giá trị tương ứng được khuyến nghị là 0.7, 0.8, 20, 0, 1.5 và 1.0. presence penalty cao hơn có thể giảm lặp lại nhưng cũng có thể làm lẫn ngôn ngữ hoặc giảm nhẹ chất lượng.
Trong quy trình một triệu token đã cấu hình và có hỗ trợ các giới hạn riêng biệt, nhà phát triển khuyến nghị hạn mức 262,144 token cho suy luận và 131,072 cho phản hồi cuối cùng. Đây là các khuyến nghị về hạn mức có điều kiện, không phải những mức trần đầu ra cứng độc lập hay các phần phân bổ có thể đồng thời nằm trong ngữ cảnh gốc.
Ngữ cảnh cực dài và giới hạn
Phương pháp mở rộng được mô tả dùng YaRN với các thiết lập vị trí đan xen riêng của mô hình. Hệ số bốn hướng đến quy trình một triệu token; với khối lượng khoảng 524,288 token, nhà phát triển gợi ý hệ số hai. Việc co giãn tĩnh có thể ảnh hưởng đến chất lượng trên văn bản ngắn hơn, vì vậy Qwen khuyên bật khi cần ngữ cảnh dài hơn. Không sao chép hệ số ngoại suy của một phiên bản Qwen-VL khác nếu không có công thức riêng của phiên bản đó.
Hãy tổ chức đầu vào dài theo định danh tài liệu, trang hoặc mã nguồn và yêu cầu kết quả có thể kiểm tra. Đối chiếu phép tính, nhãn nhỏ trong hình và bản vá được sinh với nguồn. Ngữ cảnh dài, khả năng giữ suy luận và hạn mức video lớn hơn giúp mang theo nhiều bằng chứng hơn trong nhiệm vụ; tự chúng không chứng minh khả năng nhớ lại đầy đủ, suy luận đúng hay đã hoàn thành một hành động bên ngoài.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen/qwen3.8-27b | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Token ngữ cảnh, lớn hơn | Token ngữ cảnh, tối đa và bao gồm | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Token ngữ cảnh, lớn hơn— | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.00085 / 1K token Đầu ra · Token đầu ra $0.0051 / 1K token Đầu vào · Đọc bộ nhớ đệm $0.00017 / 1K token Đầu vào · Ghi bộ nhớ đệm $0.0010625 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhBậc 1 theo độ dài yêu cầu | Biểu mức phí— | Token ngữ cảnh, lớn hơn0 | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.00085 / 1K token Đầu ra · Token đầu ra $0.0051 / 1K token Đầu vào · Đọc bộ nhớ đệm $0.00017 / 1K token Đầu vào · Ghi bộ nhớ đệm $0.0010625 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-27b',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 hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra qwen/qwen3.8-27b
Dùng các đường dẫn phương thức hiển thị ở trên.
qwen/qwen3.8-27bQwen3.8-27B là mô hình thị giác-ngôn ngữ kiến trúc dày đặc của Qwen, nhận văn bản, hình ảnh và video, trả về văn bản. Mô hình kết hợp lập trình và công việc tác tử nhiều bước với chế độ suy nghĩ có thể lựa chọn, khả năng giữ lại nội dung suy luận và ngữ cảnh gốc 262,144 token, có thể mở rộng lên một triệu bằng cấu hình.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Điểm nổi bật của Qwen3.8 trong mô hình thị giác-ngôn ngữ kiến trúc dày đặc
Qwen3.8-27B đưa những cải tiến của Qwen3.8 về lập trình, công việc chuyên môn, nghiên cứu và nhiệm vụ tác tử vào một mô hình kiến trúc dày đặc có 27 tỷ tham số. Mô hình nhận văn bản, hình ảnh và video, trả về văn bản. Phạm vi xử lý thị giác được tài liệu mô tả bao gồm sơ đồ STEM, các trang tài liệu và video dài hàng giờ. Đây là checkpoint riêng biệt với Qwen3.8-2.4T-A95B lớn hơn nhiều và chỉ xử lý văn bản, vì vậy cần phân biệt khả năng đầu vào và quy ước về chế độ suy nghĩ của hai mô hình.
Qwen nhấn mạnh khả năng tự lập kế hoạch, sử dụng phản hồi từ môi trường và tích hợp với các bộ khung phát triển. Với nhiệm vụ tác tử, hãy cung cấp mục tiêu, tài liệu liên quan, các công cụ được phép dùng và bằng chứng thể hiện việc hoàn thành. Mô hình có thể đề xuất rồi điều chỉnh hành động dựa trên kết quả trả về; phần mềm được kết nối mới thực hiện các hành động đó. Hãy yêu cầu sản phẩm cuối cùng và những điều kiện còn chưa được giải quyết, thay vì xem một bản kế hoạch là kết quả đã thực hiện.
Tổng quan mô hình
Mô hình 27B có 64 lớp mô hình ngôn ngữ. Bố cục lai của nó nhóm ba lớp Gated DeltaNet, tiếp theo là một lớp chú ý có cổng, kết hợp với các mạng truyền thẳng kiến trúc dày đặc. Mô hình được huấn luyện với dự đoán nhiều token và có bộ mã hóa thị giác. Những lựa chọn kiến trúc này mô tả mô hình đã phát hành; chúng không có nghĩa mọi cách triển khai đều có mức sử dụng bộ nhớ hoặc độ trễ giống nhau.
Ngữ cảnh gốc là 262,144 token, với khả năng mở rộng lên 1,000,000 được mô tả trong tài liệu. Văn bản, biểu diễn thị giác, lịch sử hội thoại, nội dung suy nghĩ và đầu ra cuối cùng cùng sử dụng giới hạn độ dài chuỗi đã cấu hình. Nhà phát triển còn đề cập riêng đến một phiên bản dịch vụ được quản lý có các tính năng bổ sung; không nên tự động gán những tính năng đó cho checkpoint mở.
Sử dụng văn bản, hình ảnh và video
Với nhiệm vụ lập trình, hãy cung cấp hàm hoặc mô-đun liên quan, một đầu vào gây lỗi và hành vi mong đợi, sau đó yêu cầu bản vá kèm các giả định và phép kiểm tra chịu ảnh hưởng. Với sơ đồ, hãy giữ nguyên nhãn và cung cấp câu hỏi đầy đủ. Với tài liệu, hãy yêu cầu các trường cụ thể hoặc kết luận kèm tham chiếu trang. Với video, hãy nêu sự kiện cần quan tâm và giữ lại thông tin thời gian của sự kiện.
Ví dụ video của nhà phát triển mặc định sử dụng hai khung hình mỗi giây trong quy trình phục vụ suy luận được hỗ trợ, với các tùy chọn điều khiển lấy mẫu. Tóm tắt toàn cảnh và một sự kiện ngắn có thể cần cách lấy mẫu khác nhau. Hướng dẫn video dài khuyến nghị tăng hạn mức của bộ xử lý video để hỗ trợ lấy mẫu ở tốc độ cao hơn cho tư liệu dài hàng giờ, với ví dụ tương ứng khoảng 224K token video. Điều này đòi hỏi cấu hình và cạnh tranh không gian với nội dung ngữ cảnh khác; đây không phải bảo đảm chung về thời lượng clip.
Chế độ suy nghĩ và suy luận trong lịch sử
Chế độ suy nghĩ được bật mặc định và có thể tắt cho từng yêu cầu bằng tùy chọn enable_thinking của nhà phát triển. reasoning_effort hỗ trợ xhigh, medium và low, với xhigh là mặc định. Mức nỗ lực thấp hơn có thể rút ngắn một lượt riêng lẻ, nhưng Qwen cảnh báo rằng phân tích không đủ trong nhiệm vụ tác tử có thể gây thất bại và phải làm lại, làm tăng tổng thời gian hoàn thành.
preserve_thinking được bật mặc định, giữ lại các khối suy luận từ những tin nhắn trong lịch sử để duy trì tính liên tục. Khi tắt tùy chọn này, chỉ các khối suy nghĩ được tạo trong quá trình xử lý tin nhắn mới nhất của người dùng được giữ lại. Điều này khác với hướng dẫn Qwen trước đây vốn loại bỏ hoàn toàn suy luận trong lịch sử. Hãy tách nội dung suy luận khỏi nội dung cuối cùng trên giao diện và giữ đúng định dạng hội thoại mà checkpoint yêu cầu. Các tùy chọn của nhà phát triển không xác định ứng dụng khác cung cấp những tham số nào.
Hướng dẫn sinh nội dung
Với chế độ suy nghĩ, Qwen khuyến nghị temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 và repetition penalty 1.0. Với phản hồi trực tiếp, các giá trị tương ứng được khuyến nghị là 0.7, 0.8, 20, 0, 1.5 và 1.0. presence penalty cao hơn có thể giảm lặp lại nhưng cũng có thể làm lẫn ngôn ngữ hoặc giảm nhẹ chất lượng.
Trong quy trình một triệu token đã cấu hình và có hỗ trợ các giới hạn riêng biệt, nhà phát triển khuyến nghị hạn mức 262,144 token cho suy luận và 131,072 cho phản hồi cuối cùng. Đây là các khuyến nghị về hạn mức có điều kiện, không phải những mức trần đầu ra cứng độc lập hay các phần phân bổ có thể đồng thời nằm trong ngữ cảnh gốc.
Ngữ cảnh cực dài và giới hạn
Phương pháp mở rộng được mô tả dùng YaRN với các thiết lập vị trí đan xen riêng của mô hình. Hệ số bốn hướng đến quy trình một triệu token; với khối lượng khoảng 524,288 token, nhà phát triển gợi ý hệ số hai. Việc co giãn tĩnh có thể ảnh hưởng đến chất lượng trên văn bản ngắn hơn, vì vậy Qwen khuyên bật khi cần ngữ cảnh dài hơn. Không sao chép hệ số ngoại suy của một phiên bản Qwen-VL khác nếu không có công thức riêng của phiên bản đó.
Hãy tổ chức đầu vào dài theo định danh tài liệu, trang hoặc mã nguồn và yêu cầu kết quả có thể kiểm tra. Đối chiếu phép tính, nhãn nhỏ trong hình và bản vá được sinh với nguồn. Ngữ cảnh dài, khả năng giữ suy luận và hạn mức video lớn hơn giúp mang theo nhiều bằng chứng hơn trong nhiệm vụ; tự chúng không chứng minh khả năng nhớ lại đầy đủ, suy luận đúng hay đã hoàn thành một hành động bên ngoài.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen/qwen3.8-27b | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Token ngữ cảnh, lớn hơn | Token ngữ cảnh, tối đa và bao gồm | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Token ngữ cảnh, lớn hơn— | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.00085 / 1K token Đầu ra · Token đầu ra $0.0051 / 1K token Đầu vào · Đọc bộ nhớ đệm $0.00017 / 1K token Đầu vào · Ghi bộ nhớ đệm $0.0010625 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhBậc 1 theo độ dài yêu cầu | Biểu mức phí— | Token ngữ cảnh, lớn hơn0 | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.00085 / 1K token Đầu ra · Token đầu ra $0.0051 / 1K token Đầu vào · Đọc bộ nhớ đệm $0.00017 / 1K token Đầu vào · Ghi bộ nhớ đệm $0.0010625 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-27b', '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 hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra qwen/qwen3.8-27b
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.