Qwen3-235B-A22B 將 Qwen3 的混合推理方式帶入大型混合專家模型。其文字能力涵蓋數學與邏輯問題、程式碼生成、創意寫作、角色式對話及多輪指令遵循，可使用超過100種語言與方言。討論產品開發時，提供需求、具體範例及所需決策：設計比較、實作，或讓特定受眾能使用的說明。
模型總參數為2,350億，處理時啟用220億。架構含128個專家，每次選用八個，並有94層。這些數字識別此版本；較小的 Qwen3 模型與 FP8 版本各有獨立身分。輸入與輸出皆為文字。適合的工程任務之一，是用相同範例紀錄比較兩種對帳演算法，指出各自滿足的限制，並傳回所選演算法及測試案例。提供真實欄位名稱、重複項目處理規則及預期總額，才能依原始問題檢查答案。
將請求準備為聊天訊息，並把來源資料與指令分開。數學問題應包含完整題目、允許的假設及符號，再要求指定形式的最終答案。程式碼任務應包含相關函式、語言、具代表性的輸入及觀察到的失敗。要求最小且有依據的變更，並說明哪些既有行為必須保留。多語言寫作應提供受眾及術語清單，而非要求泛泛的翻譯。已發布的整合需要能辨識 Qwen3 的執行環境；模型卡警告，低於4.51.0的 Transformers 版本無法識別所需架構。
思考與非思考是同一模型的兩種模式。原廠聊天範本預設啟用思考；可用硬性開關停用。思考仍啟用時，/think 與 /no_think 可逐輪控制，最近的指令優先。硬性停用的模式不會回應這些軟性切換指令。在開發者介面中，將最終答案與推理區段分開，並將最終答案帶入後續對話歷史。應有意識地選擇模式：演算法爭議與簡短改寫需要的分析程度不同。啟用思考時，即使軟性要求不思考，仍會保留推理區塊，但內容可能為空；硬性停用則移除該區塊。
代理工作流程方面，原廠建議使用 Qwen-Agent 處理工具範本與解析。工具可包含連接服務或程式碼直譯器；由應用程式定義及執行。例如，為助理提供欄位已明確記載的唯讀庫存查詢，並要求將傳回庫存與提供的訂單比較。定義工具目的、接受的引數、結果結構及權限邊界。要求最終回應區分提議動作與已確認的工具結果。模型的工具相關能力不會自行造成外部動作。Qwen3 指南也說明平行與多步驟工具呼叫，其引數以物件表示，結果再傳回對話。
原生上下文為32,768 token。原廠驗證可透過 YaRN 擴展至131,072 token；這取決於設定，且靜態縮放可能影響較短輸入。上下文預算同時包含請求與生成回應。處理長規格時，找出與決策相關的章節、加以標記並為答案預留空間，不要用來源文字填滿全部預算。模型卡對多數查詢建議32,768個輸出 token，而不是宣稱此值是通用服務限制。Qwen3 文件在訓練長度說明中討論思考模式38,912 token、非思考模式16,384 token 的助理訊息長度，並建議評估更長生成內容的品質。這些數字與整體上下文視窗不同，也不是端點專屬硬性上限。模型卡也說明預設40,960 token 的位置配置，即典型提示詞8,192加上輸出32,768；這是原廠設定建議，與原生訓練上下文及任何端點限制分開。
思考模式建議採樣設定為 temperature 0.6、top-p 0.95、top-k 20 及 min-p 0；非思考模式則為0.7、0.8、20及0。原廠建議採樣解碼，並警告思考模式使用貪婪解碼可能造成重複。較高的 presence penalty 也可能導致語言混用。讓結果容易檢查：要求具名的最終答案欄位、附理由的決策表，或程式碼修補程式加範例。將計算與提供的數字核對，在預定環境執行建議程式碼，並於採取動作前審查工具結果。
", "aboutText": "Qwen3-235B-A22B 將 Qwen3 的混合推理方式帶入大型混合專家模型。其文字能力涵蓋數學與邏輯問題、程式碼生成、創意寫作、角色式對話及多輪指令遵循，可使用超過100種語言與方言。討論產品開發時，提供需求、具體範例及所需決策：設計比較、實作，或讓特定受眾能使用的說明。\n\n模型總參數為2,350億，處理時啟用220億。架構含128個專家，每次選用八個，並有94層。這些數字識別此版本；較小的 Qwen3 模型與 FP8 版本各有獨立身分。輸入與輸出皆為文字。適合的工程任務之一，是用相同範例紀錄比較兩種對帳演算法，指出各自滿足的限制，並傳回所選演算法及測試案例。提供真實欄位名稱、重複項目處理規則及預期總額，才能依原始問題檢查答案。\n\n將請求準備為聊天訊息，並把來源資料與指令分開。數學問題應包含完整題目、允許的假設及符號，再要求指定形式的最終答案。程式碼任務應包含相關函式、語言、具代表性的輸入及觀察到的失敗。要求最小且有依據的變更，並說明哪些既有行為必須保留。多語言寫作應提供受眾及術語清單，而非要求泛泛的翻譯。已發布的整合需要能辨識 Qwen3 的執行環境；模型卡警告，低於4.51.0的 Transformers 版本無法識別所需架構。\n\n思考與非思考是同一模型的兩種模式。原廠聊天範本預設啟用思考；可用硬性開關停用。思考仍啟用時，/think 與 /no_think 可逐輪控制，最近的指令優先。硬性停用的模式不會回應這些軟性切換指令。在開發者介面中，將最終答案與推理區段分開，並將最終答案帶入後續對話歷史。應有意識地選擇模式：演算法爭議與簡短改寫需要的分析程度不同。啟用思考時，即使軟性要求不思考，仍會保留推理區塊，但內容可能為空；硬性停用則移除該區塊。\n\n代理工作流程方面，原廠建議使用 Qwen-Agent 處理工具範本與解析。工具可包含連接服務或程式碼直譯器；由應用程式定義及執行。例如，為助理提供欄位已明確記載的唯讀庫存查詢，並要求將傳回庫存與提供的訂單比較。定義工具目的、接受的引數、結果結構及權限邊界。要求最終回應區分提議動作與已確認的工具結果。模型的工具相關能力不會自行造成外部動作。Qwen3 指南也說明平行與多步驟工具呼叫，其引數以物件表示，結果再傳回對話。\n\n原生上下文為32,768 token。原廠驗證可透過 YaRN 擴展至131,072 token；這取決於設定，且靜態縮放可能影響較短輸入。上下文預算同時包含請求與生成回應。處理長規格時，找出與決策相關的章節、加以標記並為答案預留空間，不要用來源文字填滿全部預算。模型卡對多數查詢建議32,768個輸出 token，而不是宣稱此值是通用服務限制。Qwen3 文件在訓練長度說明中討論思考模式38,912 token、非思考模式16,384 token 的助理訊息長度，並建議評估更長生成內容的品質。這些數字與整體上下文視窗不同，也不是端點專屬硬性上限。模型卡也說明預設40,960 token 的位置配置，即典型提示詞8,192加上輸出32,768；這是原廠設定建議，與原生訓練上下文及任何端點限制分開。\n\n思考模式建議採樣設定為 temperature 0.6、top-p 0.95、top-k 20 及 min-p 0；非思考模式則為0.7、0.8、20及0。原廠建議採樣解碼，並警告思考模式使用貪婪解碼可能造成重複。較高的 presence penalty 也可能導致語言混用。讓結果容易檢查：要求具名的最終答案欄位、附理由的決策表，或程式碼修補程式加範例。將計算與提供的數字核對，在預定環境執行建議程式碼，並於採取動作前審查工具結果。", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B 將詳細推理與直接文字回應整合於同一個混合專家模型。適用於數學分析、程式碼、多語言寫作，以及使用連接工具的助理。
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。
Qwen3-235B-A22B 將 Qwen3 的混合推理方式帶入大型混合專家模型。其文字能力涵蓋數學與邏輯問題、程式碼生成、創意寫作、角色式對話及多輪指令遵循，可使用超過100種語言與方言。討論產品開發時，提供需求、具體範例及所需決策：設計比較、實作，或讓特定受眾能使用的說明。
模型總參數為2,350億，處理時啟用220億。架構含128個專家，每次選用八個，並有94層。這些數字識別此版本；較小的 Qwen3 模型與 FP8 版本各有獨立身分。輸入與輸出皆為文字。適合的工程任務之一，是用相同範例紀錄比較兩種對帳演算法，指出各自滿足的限制，並傳回所選演算法及測試案例。提供真實欄位名稱、重複項目處理規則及預期總額，才能依原始問題檢查答案。
將請求準備為聊天訊息，並把來源資料與指令分開。數學問題應包含完整題目、允許的假設及符號，再要求指定形式的最終答案。程式碼任務應包含相關函式、語言、具代表性的輸入及觀察到的失敗。要求最小且有依據的變更，並說明哪些既有行為必須保留。多語言寫作應提供受眾及術語清單，而非要求泛泛的翻譯。已發布的整合需要能辨識 Qwen3 的執行環境；模型卡警告，低於4.51.0的 Transformers 版本無法識別所需架構。
思考與非思考是同一模型的兩種模式。原廠聊天範本預設啟用思考；可用硬性開關停用。思考仍啟用時，/think 與 /no_think 可逐輪控制，最近的指令優先。硬性停用的模式不會回應這些軟性切換指令。在開發者介面中，將最終答案與推理區段分開，並將最終答案帶入後續對話歷史。應有意識地選擇模式：演算法爭議與簡短改寫需要的分析程度不同。啟用思考時，即使軟性要求不思考，仍會保留推理區塊，但內容可能為空；硬性停用則移除該區塊。
代理工作流程方面，原廠建議使用 Qwen-Agent 處理工具範本與解析。工具可包含連接服務或程式碼直譯器；由應用程式定義及執行。例如，為助理提供欄位已明確記載的唯讀庫存查詢，並要求將傳回庫存與提供的訂單比較。定義工具目的、接受的引數、結果結構及權限邊界。要求最終回應區分提議動作與已確認的工具結果。模型的工具相關能力不會自行造成外部動作。Qwen3 指南也說明平行與多步驟工具呼叫，其引數以物件表示，結果再傳回對話。
原生上下文為32,768 token。原廠驗證可透過 YaRN 擴展至131,072 token；這取決於設定，且靜態縮放可能影響較短輸入。上下文預算同時包含請求與生成回應。處理長規格時，找出與決策相關的章節、加以標記並為答案預留空間，不要用來源文字填滿全部預算。模型卡對多數查詢建議32,768個輸出 token，而不是宣稱此值是通用服務限制。Qwen3 文件在訓練長度說明中討論思考模式38,912 token、非思考模式16,384 token 的助理訊息長度，並建議評估更長生成內容的品質。這些數字與整體上下文視窗不同，也不是端點專屬硬性上限。模型卡也說明預設40,960 token 的位置配置，即典型提示詞8,192加上輸出32,768；這是原廠設定建議，與原生訓練上下文及任何端點限制分開。
思考模式建議採樣設定為 temperature 0.6、top-p 0.95、top-k 20 及 min-p 0；非思考模式則為0.7、0.8、20及0。原廠建議採樣解碼，並警告思考模式使用貪婪解碼可能造成重複。較高的 presence penalty 也可能導致語言混用。讓結果容易檢查：要求具名的最終答案欄位、附理由的決策表，或程式碼修補程式加範例。將計算與提供的數字核對，在預定環境執行建議程式碼，並於採取動作前審查工具結果。
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 qwen3-235b-a22b | 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。
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0.00114 / 1K Token 輸出 · 輸出 Token $0.00342 / 1K Token 輸入 · 讀取快取 $0 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-235b-a22b", "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='qwen3-235b-a22b',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='qwen3-235b-a22b',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 qwen3-235b-a22b
請使用上方列出的 API 方法路徑。
qwen3-235b-a22bQwen3-235B-A22B 將詳細推理與直接文字回應整合於同一個混合專家模型。適用於數學分析、程式碼、多語言寫作，以及使用連接工具的助理。
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。
Qwen3-235B-A22B 將 Qwen3 的混合推理方式帶入大型混合專家模型。其文字能力涵蓋數學與邏輯問題、程式碼生成、創意寫作、角色式對話及多輪指令遵循，可使用超過100種語言與方言。討論產品開發時，提供需求、具體範例及所需決策：設計比較、實作，或讓特定受眾能使用的說明。
模型總參數為2,350億，處理時啟用220億。架構含128個專家，每次選用八個，並有94層。這些數字識別此版本；較小的 Qwen3 模型與 FP8 版本各有獨立身分。輸入與輸出皆為文字。適合的工程任務之一，是用相同範例紀錄比較兩種對帳演算法，指出各自滿足的限制，並傳回所選演算法及測試案例。提供真實欄位名稱、重複項目處理規則及預期總額，才能依原始問題檢查答案。
將請求準備為聊天訊息，並把來源資料與指令分開。數學問題應包含完整題目、允許的假設及符號，再要求指定形式的最終答案。程式碼任務應包含相關函式、語言、具代表性的輸入及觀察到的失敗。要求最小且有依據的變更，並說明哪些既有行為必須保留。多語言寫作應提供受眾及術語清單，而非要求泛泛的翻譯。已發布的整合需要能辨識 Qwen3 的執行環境；模型卡警告，低於4.51.0的 Transformers 版本無法識別所需架構。
思考與非思考是同一模型的兩種模式。原廠聊天範本預設啟用思考；可用硬性開關停用。思考仍啟用時，/think 與 /no_think 可逐輪控制，最近的指令優先。硬性停用的模式不會回應這些軟性切換指令。在開發者介面中，將最終答案與推理區段分開，並將最終答案帶入後續對話歷史。應有意識地選擇模式：演算法爭議與簡短改寫需要的分析程度不同。啟用思考時，即使軟性要求不思考，仍會保留推理區塊，但內容可能為空；硬性停用則移除該區塊。
代理工作流程方面，原廠建議使用 Qwen-Agent 處理工具範本與解析。工具可包含連接服務或程式碼直譯器；由應用程式定義及執行。例如，為助理提供欄位已明確記載的唯讀庫存查詢，並要求將傳回庫存與提供的訂單比較。定義工具目的、接受的引數、結果結構及權限邊界。要求最終回應區分提議動作與已確認的工具結果。模型的工具相關能力不會自行造成外部動作。Qwen3 指南也說明平行與多步驟工具呼叫，其引數以物件表示，結果再傳回對話。
原生上下文為32,768 token。原廠驗證可透過 YaRN 擴展至131,072 token；這取決於設定，且靜態縮放可能影響較短輸入。上下文預算同時包含請求與生成回應。處理長規格時，找出與決策相關的章節、加以標記並為答案預留空間，不要用來源文字填滿全部預算。模型卡對多數查詢建議32,768個輸出 token，而不是宣稱此值是通用服務限制。Qwen3 文件在訓練長度說明中討論思考模式38,912 token、非思考模式16,384 token 的助理訊息長度，並建議評估更長生成內容的品質。這些數字與整體上下文視窗不同，也不是端點專屬硬性上限。模型卡也說明預設40,960 token 的位置配置，即典型提示詞8,192加上輸出32,768；這是原廠設定建議，與原生訓練上下文及任何端點限制分開。
思考模式建議採樣設定為 temperature 0.6、top-p 0.95、top-k 20 及 min-p 0；非思考模式則為0.7、0.8、20及0。原廠建議採樣解碼，並警告思考模式使用貪婪解碼可能造成重複。較高的 presence penalty 也可能導致語言混用。讓結果容易檢查：要求具名的最終答案欄位、附理由的決策表，或程式碼修補程式加範例。將計算與提供的數字核對，在預定環境執行建議程式碼，並於採取動作前審查工具結果。
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 qwen3-235b-a22b | 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。
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0.00114 / 1K Token 輸出 · 輸出 Token $0.00342 / 1K Token 輸入 · 讀取快取 $0 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-235b-a22b', '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': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
請使用上方列出的 API 方法路徑。
英文技術範例
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.