密集視覺語言模型中的 Qwen3.8 重點
Qwen3.8-27B 將 Qwen3.8 在程式設計、專業工作、研究及代理任務方面的改進，帶入270億參數的密集模型。它接受文字、影像及影片，並傳回文字。文件所述視覺範圍包含 STEM 圖解、文件頁面及小時規模影片。它與規模大得多、僅支援文字的 Qwen3.8-2.4T-A95B 是不同檢查點，因此輸入能力與思考契約應保持分開。
Qwen 強調自主規劃、利用環境回饋，以及與開發執行框架整合。代理任務應提供目標、相關資料、允許工具，以及能證明完成的證據。模型可利用傳回結果提出及修訂動作；連接軟體執行這些動作。要求最終產物及未解決條件，而非將計畫當成已執行結果。
模型概覽
27B模型有64個語言模型層。混合配置將三個 Gated DeltaNet 層與後接的一個閘控注意力層分組，並使用密集前饋網路。模型以多 token 預測訓練，且包含視覺編碼器。這些架構選擇描述發布模型，不表示所有部署的記憶體使用量或延遲相同。
原生上下文為262,144 token，文件記載可擴展至1,000,000。文字、視覺表示、對話歷史、思考及最終輸出共享設定的序列預算。原廠另行討論具備額外功能的受管理版本；這些功能不應自動套用至開放檢查點。
使用文字、影像與影片
程式碼任務應提供相關函式或模組、造成失敗的輸入及預期行為，再要求修補程式附上受影響的假設與檢查。圖解任務應保留標籤並提供完整問題。文件任務可要求具名欄位或附頁面參照的結論。影片任務應說明關注事件並保留時間資訊。
原廠影片範例在支援的服務工作流程中，預設每秒兩個影格，並可選擇採樣控制。廣泛場景摘要與短暫事件可能需要不同採樣方式。長影片指南建議擴大影片處理器預算，以支援小時規模資料的較高頻率採樣，範例約對應224K影片 token。這需要設定，且會與其他上下文內容競爭空間；不是通用的片段時長保證。
思考與歷史推理
思考預設啟用，可透過原廠 enable_thinking 控制項逐項請求停用。reasoning_effort 支援 xhigh、medium 及 low，預設為 xhigh。較低強度可縮短單輪時間，但 Qwen 警告，代理任務中分析不足可能造成失敗與重複工作，增加總完成時間。
preserve_thinking 預設啟用，保留歷史訊息的推理區塊以維持連續性。停用時，只保留處理最新使用者訊息期間生成的思考區塊。這與較舊 Qwen 完全捨棄歷史推理的建議不同。介面中應區分推理與最終內容，並保留檢查點要求的確切對話格式。原廠控制項不代表其他應用程式公開哪些參數。
生成建議
思考模式方面，Qwen 建議 temperature 1.0、top_p 0.95、top_k 20、min_p 0、presence penalty 0 及 repetition penalty 1.0。直接回應則依序建議0.7、0.8、20、0、1.5及1.0。較高 presence penalty 可減少重複，但可能混用語言或略降品質。
在支援獨立限制、已設定的一百萬 token 工作流程中，原廠建議推理額度262,144 token，最終回應額度131,072。這些是有條件的預算建議，不是獨立硬性輸出上限，也不是可同時容納於原生上下文的配置。
超長上下文與限制
文件所述擴展使用 YaRN 搭配模型自身的交錯位置設定。四倍係數以一百萬 token 工作流程為目標；對約524,288 token 的工作負載，原廠建議二倍係數。靜態縮放可能影響較短文字品質，因此 Qwen 建議在需要較長上下文時才啟用。不要在沒有對應方法的情況下，複製其他 Qwen-VL 版本的外推係數。
依文件、頁面或程式碼識別名稱組織長輸入，並要求可檢查的結果。將計算、小型視覺標籤及生成修補程式同來源核對。長上下文、保留推理及較大影片預算有助在任務中帶入更多證據；它們本身不證明完整記憶、正確推理或已完成外部動作。
", "aboutText": "密集視覺語言模型中的 Qwen3.8 重點\n\nQwen3.8-27B 將 Qwen3.8 在程式設計、專業工作、研究及代理任務方面的改進，帶入270億參數的密集模型。它接受文字、影像及影片，並傳回文字。文件所述視覺範圍包含 STEM 圖解、文件頁面及小時規模影片。它與規模大得多、僅支援文字的 Qwen3.8-2.4T-A95B 是不同檢查點，因此輸入能力與思考契約應保持分開。\n\nQwen 強調自主規劃、利用環境回饋，以及與開發執行框架整合。代理任務應提供目標、相關資料、允許工具，以及能證明完成的證據。模型可利用傳回結果提出及修訂動作；連接軟體執行這些動作。要求最終產物及未解決條件，而非將計畫當成已執行結果。\n\n模型概覽\n\n27B模型有64個語言模型層。混合配置將三個 Gated DeltaNet 層與後接的一個閘控注意力層分組，並使用密集前饋網路。模型以多 token 預測訓練，且包含視覺編碼器。這些架構選擇描述發布模型，不表示所有部署的記憶體使用量或延遲相同。\n\n原生上下文為262,144 token，文件記載可擴展至1,000,000。文字、視覺表示、對話歷史、思考及最終輸出共享設定的序列預算。原廠另行討論具備額外功能的受管理版本；這些功能不應自動套用至開放檢查點。\n\n使用文字、影像與影片\n\n程式碼任務應提供相關函式或模組、造成失敗的輸入及預期行為，再要求修補程式附上受影響的假設與檢查。圖解任務應保留標籤並提供完整問題。文件任務可要求具名欄位或附頁面參照的結論。影片任務應說明關注事件並保留時間資訊。\n\n原廠影片範例在支援的服務工作流程中，預設每秒兩個影格，並可選擇採樣控制。廣泛場景摘要與短暫事件可能需要不同採樣方式。長影片指南建議擴大影片處理器預算，以支援小時規模資料的較高頻率採樣，範例約對應224K影片 token。這需要設定，且會與其他上下文內容競爭空間；不是通用的片段時長保證。\n\n思考與歷史推理\n\n思考預設啟用，可透過原廠 enable_thinking 控制項逐項請求停用。reasoning_effort 支援 xhigh、medium 及 low，預設為 xhigh。較低強度可縮短單輪時間，但 Qwen 警告，代理任務中分析不足可能造成失敗與重複工作，增加總完成時間。\n\npreserve_thinking 預設啟用，保留歷史訊息的推理區塊以維持連續性。停用時，只保留處理最新使用者訊息期間生成的思考區塊。這與較舊 Qwen 完全捨棄歷史推理的建議不同。介面中應區分推理與最終內容，並保留檢查點要求的確切對話格式。原廠控制項不代表其他應用程式公開哪些參數。\n\n生成建議\n\n思考模式方面，Qwen 建議 temperature 1.0、top_p 0.95、top_k 20、min_p 0、presence penalty 0 及 repetition penalty 1.0。直接回應則依序建議0.7、0.8、20、0、1.5及1.0。較高 presence penalty 可減少重複，但可能混用語言或略降品質。\n\n在支援獨立限制、已設定的一百萬 token 工作流程中，原廠建議推理額度262,144 token，最終回應額度131,072。這些是有條件的預算建議，不是獨立硬性輸出上限，也不是可同時容納於原生上下文的配置。\n\n超長上下文與限制\n\n文件所述擴展使用 YaRN 搭配模型自身的交錯位置設定。四倍係數以一百萬 token 工作流程為目標；對約524,288 token 的工作負載，原廠建議二倍係數。靜態縮放可能影響較短文字品質，因此 Qwen 建議在需要較長上下文時才啟用。不要在沒有對應方法的情況下，複製其他 Qwen-VL 版本的外推係數。\n\n依文件、頁面或程式碼識別名稱組織長輸入，並要求可檢查的結果。將計算、小型視覺標籤及生成修補程式同來源核對。長上下文、保留推理及較大影片預算有助在任務中帶入更多證據；它們本身不證明完整記憶、正確推理或已完成外部動作。", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
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 是 Qwen 的密集視覺語言模型，接受文字、影像及影片，並傳回文字。它結合程式設計與長步驟代理工作，提供可選思考、推理保留及原生262,144 token 上下文，透過設定可擴展至一百萬。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
密集視覺語言模型中的 Qwen3.8 重點
Qwen3.8-27B 將 Qwen3.8 在程式設計、專業工作、研究及代理任務方面的改進，帶入270億參數的密集模型。它接受文字、影像及影片，並傳回文字。文件所述視覺範圍包含 STEM 圖解、文件頁面及小時規模影片。它與規模大得多、僅支援文字的 Qwen3.8-2.4T-A95B 是不同檢查點，因此輸入能力與思考契約應保持分開。
Qwen 強調自主規劃、利用環境回饋，以及與開發執行框架整合。代理任務應提供目標、相關資料、允許工具，以及能證明完成的證據。模型可利用傳回結果提出及修訂動作；連接軟體執行這些動作。要求最終產物及未解決條件，而非將計畫當成已執行結果。
模型概覽
27B模型有64個語言模型層。混合配置將三個 Gated DeltaNet 層與後接的一個閘控注意力層分組，並使用密集前饋網路。模型以多 token 預測訓練，且包含視覺編碼器。這些架構選擇描述發布模型，不表示所有部署的記憶體使用量或延遲相同。
原生上下文為262,144 token，文件記載可擴展至1,000,000。文字、視覺表示、對話歷史、思考及最終輸出共享設定的序列預算。原廠另行討論具備額外功能的受管理版本；這些功能不應自動套用至開放檢查點。
使用文字、影像與影片
程式碼任務應提供相關函式或模組、造成失敗的輸入及預期行為，再要求修補程式附上受影響的假設與檢查。圖解任務應保留標籤並提供完整問題。文件任務可要求具名欄位或附頁面參照的結論。影片任務應說明關注事件並保留時間資訊。
原廠影片範例在支援的服務工作流程中，預設每秒兩個影格，並可選擇採樣控制。廣泛場景摘要與短暫事件可能需要不同採樣方式。長影片指南建議擴大影片處理器預算，以支援小時規模資料的較高頻率採樣，範例約對應224K影片 token。這需要設定，且會與其他上下文內容競爭空間；不是通用的片段時長保證。
思考與歷史推理
思考預設啟用，可透過原廠 enable_thinking 控制項逐項請求停用。reasoning_effort 支援 xhigh、medium 及 low，預設為 xhigh。較低強度可縮短單輪時間，但 Qwen 警告，代理任務中分析不足可能造成失敗與重複工作，增加總完成時間。
preserve_thinking 預設啟用，保留歷史訊息的推理區塊以維持連續性。停用時，只保留處理最新使用者訊息期間生成的思考區塊。這與較舊 Qwen 完全捨棄歷史推理的建議不同。介面中應區分推理與最終內容，並保留檢查點要求的確切對話格式。原廠控制項不代表其他應用程式公開哪些參數。
生成建議
思考模式方面，Qwen 建議 temperature 1.0、top_p 0.95、top_k 20、min_p 0、presence penalty 0 及 repetition penalty 1.0。直接回應則依序建議0.7、0.8、20、0、1.5及1.0。較高 presence penalty 可減少重複，但可能混用語言或略降品質。
在支援獨立限制、已設定的一百萬 token 工作流程中，原廠建議推理額度262,144 token，最終回應額度131,072。這些是有條件的預算建議，不是獨立硬性輸出上限，也不是可同時容納於原生上下文的配置。
超長上下文與限制
文件所述擴展使用 YaRN 搭配模型自身的交錯位置設定。四倍係數以一百萬 token 工作流程為目標；對約524,288 token 的工作負載，原廠建議二倍係數。靜態縮放可能影響較短文字品質，因此 Qwen 建議在需要較長上下文時才啟用。不要在沒有對應方法的情況下，複製其他 Qwen-VL 版本的外推係數。
依文件、頁面或程式碼識別名稱組織長輸入，並要求可檢查的結果。將計算、小型視覺標籤及生成修補程式同來源核對。長上下文、保留推理及較大影片預算有助在任務中帶入更多證據；它們本身不證明完整記憶、正確推理或已完成外部動作。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 qwen/qwen3.8-27b | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 項目數下限: 1 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 範例：system, user, assistant, tool, function 條件: 這些角色由 原始碼中的相容型別明確表示；確切角色集合仍依模型而定。 依模型而定 | 預設值— |
欄位messages[].content | 類型string|content_part[]|null | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_calls | 類型tool_call[] | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_call_id | 類型string | 要求選填 | 值與限制 適用條件: role=tool；使用實際回傳的 ID | 預設值— |
欄位messages[].name | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位messages[].reasoning_content | 類型string | 要求選填 | 值與限制 適用條件: 此模型使用推理內容時，將實際回傳的推理內容帶回後續請求 | 預設值— |
欄位messages[].reasoning_details | 類型object|array | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位max_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位max_completion_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
欄位stream_options.include_usage | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位stop | 類型string|string[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools | 類型function_tool[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools[].type | 類型string | 要求選填 | 值與限制 function 依模型而定 | 預設值— |
欄位tools[].function.name | 類型string | 要求必填 | 值與限制 適用條件: 已提供函式工具 | 預設值— |
欄位tools[].function.description | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位tools[].function.parameters | 類型JSON_schema | 要求選填 | 值與限制 | 預設值— |
欄位tool_choice | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位parallel_tool_calls | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位response_format | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning_effort | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位service_tier | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位instructions | 類型string | 要求選填 | 值與限制 相容性欄位 | 預設值— |
欄位functions | 類型function[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位function_call | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位prompt_cache_options | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位modalities | 類型string[] | 要求選填 | 值與限制 text | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 條件: 此 Ultra 文字路由拒絕 provider.options | 預設值— |
欄位cache_control.ttl | 類型string | 要求選填 | 值與限制 條件: 實際提示詞快取位置拒絕 1h | 預設值— |
文字 · UTF8 文字
messages[].content
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數material_types | 規格text |
參數messages | 規格具有 role/content 結構的訊息陣列 |
參數file_material | 規格實際 UTF-8 文件以原文文字插入；不推定檔案 ID |
參數optional_controls | 規格stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
參數control_scope | 規格依模型而定；使用者函式工具與託管工具不同 |
參數output_modalities | 規格text |
參數hosted_operations | 規格false |
參數multimodal_input_binding | 規格null |
生命週期： synchronous_or_streamed
將確切模型 ID 與 messages 一併送出。
上下文長度不是輸出上限。
文字檔案可提供原文文字；圖片／音訊／檔案物件輸入需要精確綁定。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.00085 / 1K Token 輸出 · 輸出 Token $0.0051 / 1K Token 輸入 · 讀取快取 $0.00017 / 1K Token 輸入 · 寫入快取 $0.0010625 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.00085 / 1K Token 輸出 · 輸出 Token $0.0051 / 1K Token 輸入 · 讀取快取 $0.00017 / 1K Token 輸入 · 寫入快取 $0.0010625 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${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 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個候選項及其內容／工具呼叫／推理。SSE 中依候選項／工具索引組合增量，保留最終完成原因與用量。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位choices[].index | 類型integer |
欄位choices[].message.content | 類型string|null |
欄位choices[].message.tool_calls | 類型tool_call[] |
欄位choices[].message.reasoning_content | 類型string |
欄位choices[].message.reasoning_details | 類型object|array |
欄位choices[].finish_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra qwen/qwen3.8-27b
請使用上方列出的 API 方法路徑。
qwen/qwen3.8-27bQwen3.8-27B 是 Qwen 的密集視覺語言模型，接受文字、影像及影片，並傳回文字。它結合程式設計與長步驟代理工作，提供可選思考、推理保留及原生262,144 token 上下文，透過設定可擴展至一百萬。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
密集視覺語言模型中的 Qwen3.8 重點
Qwen3.8-27B 將 Qwen3.8 在程式設計、專業工作、研究及代理任務方面的改進，帶入270億參數的密集模型。它接受文字、影像及影片，並傳回文字。文件所述視覺範圍包含 STEM 圖解、文件頁面及小時規模影片。它與規模大得多、僅支援文字的 Qwen3.8-2.4T-A95B 是不同檢查點，因此輸入能力與思考契約應保持分開。
Qwen 強調自主規劃、利用環境回饋，以及與開發執行框架整合。代理任務應提供目標、相關資料、允許工具，以及能證明完成的證據。模型可利用傳回結果提出及修訂動作；連接軟體執行這些動作。要求最終產物及未解決條件，而非將計畫當成已執行結果。
模型概覽
27B模型有64個語言模型層。混合配置將三個 Gated DeltaNet 層與後接的一個閘控注意力層分組，並使用密集前饋網路。模型以多 token 預測訓練，且包含視覺編碼器。這些架構選擇描述發布模型，不表示所有部署的記憶體使用量或延遲相同。
原生上下文為262,144 token，文件記載可擴展至1,000,000。文字、視覺表示、對話歷史、思考及最終輸出共享設定的序列預算。原廠另行討論具備額外功能的受管理版本；這些功能不應自動套用至開放檢查點。
使用文字、影像與影片
程式碼任務應提供相關函式或模組、造成失敗的輸入及預期行為，再要求修補程式附上受影響的假設與檢查。圖解任務應保留標籤並提供完整問題。文件任務可要求具名欄位或附頁面參照的結論。影片任務應說明關注事件並保留時間資訊。
原廠影片範例在支援的服務工作流程中，預設每秒兩個影格，並可選擇採樣控制。廣泛場景摘要與短暫事件可能需要不同採樣方式。長影片指南建議擴大影片處理器預算，以支援小時規模資料的較高頻率採樣，範例約對應224K影片 token。這需要設定，且會與其他上下文內容競爭空間；不是通用的片段時長保證。
思考與歷史推理
思考預設啟用，可透過原廠 enable_thinking 控制項逐項請求停用。reasoning_effort 支援 xhigh、medium 及 low，預設為 xhigh。較低強度可縮短單輪時間，但 Qwen 警告，代理任務中分析不足可能造成失敗與重複工作，增加總完成時間。
preserve_thinking 預設啟用，保留歷史訊息的推理區塊以維持連續性。停用時，只保留處理最新使用者訊息期間生成的思考區塊。這與較舊 Qwen 完全捨棄歷史推理的建議不同。介面中應區分推理與最終內容，並保留檢查點要求的確切對話格式。原廠控制項不代表其他應用程式公開哪些參數。
生成建議
思考模式方面，Qwen 建議 temperature 1.0、top_p 0.95、top_k 20、min_p 0、presence penalty 0 及 repetition penalty 1.0。直接回應則依序建議0.7、0.8、20、0、1.5及1.0。較高 presence penalty 可減少重複，但可能混用語言或略降品質。
在支援獨立限制、已設定的一百萬 token 工作流程中，原廠建議推理額度262,144 token，最終回應額度131,072。這些是有條件的預算建議，不是獨立硬性輸出上限，也不是可同時容納於原生上下文的配置。
超長上下文與限制
文件所述擴展使用 YaRN 搭配模型自身的交錯位置設定。四倍係數以一百萬 token 工作流程為目標；對約524,288 token 的工作負載，原廠建議二倍係數。靜態縮放可能影響較短文字品質，因此 Qwen 建議在需要較長上下文時才啟用。不要在沒有對應方法的情況下，複製其他 Qwen-VL 版本的外推係數。
依文件、頁面或程式碼識別名稱組織長輸入，並要求可檢查的結果。將計算、小型視覺標籤及生成修補程式同來源核對。長上下文、保留推理及較大影片預算有助在任務中帶入更多證據；它們本身不證明完整記憶、正確推理或已完成外部動作。
POST /v1/messagestextjson, sse| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 qwen/qwen3.8-27b | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 user, assistant | 預設值— |
欄位messages[].content | 類型string | 要求必填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF-8 文字
messages[].content 字串
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional_controls | 規格stream |
參數material_types | 規格text |
參數text_file_material | 規格讀取實際 UTF-8 文件，將文字放入指定的 input 或訊息內容字串。 |
生命週期： synchronous_or_streamed
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.00085 / 1K Token 輸出 · 輸出 Token $0.0051 / 1K Token 輸入 · 讀取快取 $0.00017 / 1K Token 輸入 · 寫入快取 $0.0010625 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.00085 / 1K Token 輸出 · 輸出 Token $0.0051 / 1K Token 輸入 · 讀取快取 $0.00017 / 1K Token 輸入 · 寫入快取 $0.0010625 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留所有內容區塊、思考簽章與實際工具使用 ID。組合所有 SSE 區塊增量；第一個文字區塊不是完整輸出。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位id | 類型string |
欄位model | 類型string |
欄位content[] | 類型text|thinking|tool_use|other content block |
欄位stop_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra qwen/qwen3.8-27b
請使用上方列出的 API 方法路徑。
英文技術範例
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.