Alibaba
Qwen3 30B A3B
Текстовая MoE-модель Qwen3 для кода, диалога и задач с рассуждениями.
- Вход
- 15,19 ₽
- Выход
- 151,92 ₽
- Кэш
- 15,19 ₽
- Интеллект
- 6,6
alibaba/qwen3-30b-a3bДанные каталога получены .
Цена
- Текстовый диалог · вход
- 15,19 ₽ / 1 млн токенов
- Текстовый диалог · выход
- 151,92 ₽ / 1 млн токенов
- Текстовый диалог · вход из кэша
- 15,19 ₽ / 1 млн токенов
Цена указана в рублях для выбранной операции и её параметров.
Перед оплачиваемым запросом создаётся резерв. Итоговый расход привязан к сохранённым параметрам и тарифу запроса. При неизвестном результате резерв удерживается до проверки; такой запрос не следует повторять с новым идентификатором.
О модели
Qwen3-30B-A3B относится к MoE-линейке Qwen3. В официальной статье разработчика для исходной модели указаны 30 миллиардов общих параметров и 3 миллиарда активных параметров. Семейство поддерживает текстовые вход и выход, режимы thinking и non-thinking, 119 языков и диалектов, включая русский, а также задачи кода и агентов. Эти характеристики описывают исходную модель и не устанавливают параметры Kvantora API.
- Релиз
Характеристики
- Тип модели
- Текст
- Вход модели
- Текст
Данные, которые модель принимает вместе с запросом.
- Выход модели
- Текст
Форматы результата, которые создаёт модель.
- Контекстное окно
- 41 000 токенов
Контекстное окно по данным каталога. Лимит ответа и допустимый объём запроса проверяйте отдельно.
- Максимальный ответ
- 32 768 токенов
Максимальный размер ответа по данным каталога. Фактический предел запроса зависит от подключённой операции.
- Операции
- Текстовый диалог
- Возможности модели
- Потоковый ответ, Рассуждения, Вызов инструментов, Вызов функций, Структурированный ответ, Ответ в JSON
Контрольные показатели
Artificial Analysis
13 показателей · проверено
- Индекс интеллекта
- 6,6 индексСводная оценка Artificial Analysis по всем её тестам
Рассуждение по документу
- AA-LCR v1.10 %
Рассуждение на длинном контексте с обновлённой оценкой
Устаревшие тесты
- AA-LCR (версия не указана, архивный)0 %
Оценка рассуждений на длинном контексте
- GPQA Diamond (архивный)51,5 %
Научные рассуждения уровня выпускника
Математика
- AIME26 %
Американский пригласительный экзамен по математике
- Math-50086,3 %
Набор задач для проверки решения разнообразных математических задач
Рассуждения
- AIME 202521,7 %
- HLE4,6 %
Humanity’s Last Exam — вопросы экспертного уровня
Рассуждение
- IFBench31,9 %
Тест на следование инструкциям
Программирование
- LiveCodeBench32,2 %
Бенчмарк по программированию без загрязнения данных
- Terminal-Bench Hard (архивный)6,8 %
Устаревший резервный вариант · Агентное программирование и работа в терминале
Знания
- MMLU-Pro71 %
Профессиональные и академические предметные знания
Агентная работа
- T²-Bench Telecom (архивный)22,2 %
Устаревший резервный вариант · Разговорные ИИ-агенты в сценариях с двойным управлением
Design Arena
8 показателей · проверено
Рейтинг Elo и доля побед в попарных сравнениях, оценённых людьми
Модели
- Визуализация данных · Elo976 Elo
- Визуализация данных · доля побед39 %
- Разработка игр · Elo912 Elo
- Разработка игр · доля побед33,9 %
- UI-компоненты · Elo954 Elo
- UI-компоненты · доля побед42,4 %
- Сайты · Elo962 Elo
- Сайты · доля побед37,7 %
Оценки относятся к этой версии модели и методике источника. Качество и скорость конкретного запроса они не гарантируют.
API-запрос
Операция доступна через API. Ключ храните в переменной окружения на своём сервере. REQUEST_ID: уникальный идентификатор запроса. При повторе сохраняйте его и тело запроса.
import json
import os
from urllib.request import Request, HTTPRedirectHandler, build_opener
class NoRedirect(HTTPRedirectHandler):
def redirect_request(self, req, fp, code, msg, headers, newurl):
return None
opener = build_opener(NoRedirect)
def post(url, payload):
request = Request(url, data=json.dumps(payload).encode("utf-8"), headers={
"Authorization": "Bearer " + os.environ["KVANTORA_API_KEY"],
"Content-Type": "application/json",
"Idempotency-Key": os.environ["REQUEST_ID"],
}, method="POST")
with opener.open(request, timeout=120) as response:
return json.load(response)
payload = {
"model": "alibaba/qwen3-30b-a3b",
"messages": [
{
"role": "user",
"content": "Объясни задачу кратко."
}
]
}
print(post("https://api.kvantora.ai/v1/chat/completions", payload))





