Qwen3.5s styrker: ekspertmodellen 122B-A10B
Qwen3.5-122B-A10B er en eftertrænet vision-sprogmodel til fælles tekst- og billedopgaver. Den modtager tekst, billeder og video og returnerer tekst, herunder forklaringer, kodeforslag og ønskede dokumentleverancer. Familien er bygget med tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver og udvikler ræsonnementer, programmering, agenter og visuel forståelse. Den beskriver dækning af 201 sprog og dialekter uden at antyde, at ethvert sprog eller domæne har identisk pålidelighed.
En nyttig opgave kan kombinere en teknisk specifikation, diagrammer og relevant kode og bede modellen forklare komponenterne og returnere et implementeringsforslag. En dokumentanalyseopgave kan bede om en sammenligning med understøttende afsnits- eller sidereferencer.
Modeloverblik
Det sparsomme mixture-of-experts-checkpoint har 122 milliarder parametre i alt og aktiverer ti milliarder. Det har 48 sprogmodellag med grupper af tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 256 routede eksperter, hvoraf modellen vælger otte sammen med én fælles ekspert. En vision-encoder og multi-token prediction indgår i modellen. Dens samlede og aktiverede antal har forskellig betydning; det aktiverede tal er ikke hele checkpointets størrelse.
Dette er en særskilt udgave i forhold til den tætte Qwen3.5-27B, den sparsomme Qwen3.5-35B-A3B og senere modelgenerationer. Udled ikke en generel rangering af ydeevne eller svartid fra størrelsen alene. Den indbyggede kontekst er 262,144 tokens, og den dokumenterede udvidelse når 1,010,000 med konfiguration. Qwen anbefaler om muligt at bevare mindst en 128K-kontekst til kompleks tænkning, men anerkender, at hukommelsestryk kan kræve et mindre vindue.
Klargøring af fælles tekstlig og visuel dokumentation
Bevar diagrametiketter, diagramakser, tabeloverskrifter og enheder. Angiv, om resultatet skal forklare et forhold, udtrække navngivne felter eller foreslå kode. Når flere kilder er relevante, skal de mærkes, og output organiseres efter de samme identifikatorer. Adskil synlige fakta fra antagelser, så en reviewer kan spore ræsonnementerne til det leverede materiale.
Til en programmeringsforespørgsel skal du udpege den tilsigtede adfærd, relevant kildekode og et input, der viser problemet. Bed om en redigerbar patch med en forklaring af berørte betingelser og kontroller. For video skal du bevare hændelsesrækkefølge og tidsangivelser og specificere spørgsmålet frem for at bede om en udifferentieret opsummering. Modellens tekstresultat er et udkast til inspektion; evnen til visuelt input betyder ikke billed-, video- eller talegenerering.
Tænkning og historik
Tænkning er aktiveret som standard med ræsonnementer før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den til direkte svar. De gamle skift /think og /nothink understøttes ikke officielt. Qwen3.5 anbefaler at bevare endelige svar uden tænkningsindhold i tidligere assistentbeskeder. Det bør ikke erstattes af senere Qwen-generationers muligheder for historikbevarelse, blot fordi de deler et familienavn.
Gør det endelige resultat let at finde, eksempelvis et defineret svarfelt, en afgrænset værdi eller en særskilt kodeleverance. Et direkte svar skal stadig kontrolleres, mens længere ræsonnementer kun er nyttige, når deres trin underbygger en verificerbar konklusion.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer sammen med Qwen Code til programmeringsagentarbejde. Definér tilladte handlinger, tilgængelig dokumentation og færdiggørelseskriterier. Tilsluttede værktøjer udfører operationer og returnerer resultater; modellen bruger feedbacken i sin analyse. En foreslået kommando, søgeforespørgsel eller patch bør holdes adskilt fra en handling, applikationen faktisk har udført.
Ultralang kontekst og video
Producentens udvidelse bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens, og to foreslås til arbejdsbelastninger på 524,288 tokens. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge et reelt behov for større kontekst. Input, repræsenteret visuelt materiale, historik, ræsonnementer og det endelige svar bruger alle det konfigurerede sekvensbudget.
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Til materiale i timelængde anbefaler producenten at øge processorbudgettet til cirka 224K videotokens til hyppigere sampling. Det er en konfigurationsafhængig opskrift, ikke en universel garanti for medievarighed, fuldstændig genkaldelse eller tidsstempelpræcision.
Genereringsvejledning og væsentlige begrænsninger
Best Practices anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0 til generel tænkning. Præcis programmering bruger temperature 0.6 og presence penalty nul. Generelle direkte svar bruger temperature 0.7, top_p 0.8 og presence penalty 1.5; top_k er 20, min_p er 0 og repetition penalty er 1.0. Ræsonnement med direkte svar har et særskilt forvalg: temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Højere presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste forespørgsler og 81,920 til usædvanligt komplekst matematisk arbejde eller programmeringsarbejde; de er ikke særskilt fastslåede hårde outputgrænser. Definér det ønskede format, bevar kildeidentifikatorer, og kontrollér beregninger, udtrukne værdier og foreslået kode mod den oprindelige dokumentation. Det nyttige resultat er en komplet tekstleverance, hvis antagelser og understøttende materiale forbliver synlige.
", "aboutText": "Qwen3.5s styrker: ekspertmodellen 122B-A10B\n\nQwen3.5-122B-A10B er en eftertrænet vision-sprogmodel til fælles tekst- og billedopgaver. Den modtager tekst, billeder og video og returnerer tekst, herunder forklaringer, kodeforslag og ønskede dokumentleverancer. Familien er bygget med tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver og udvikler ræsonnementer, programmering, agenter og visuel forståelse. Den beskriver dækning af 201 sprog og dialekter uden at antyde, at ethvert sprog eller domæne har identisk pålidelighed.\n\nEn nyttig opgave kan kombinere en teknisk specifikation, diagrammer og relevant kode og bede modellen forklare komponenterne og returnere et implementeringsforslag. En dokumentanalyseopgave kan bede om en sammenligning med understøttende afsnits- eller sidereferencer.\n\nModeloverblik\n\nDet sparsomme mixture-of-experts-checkpoint har 122 milliarder parametre i alt og aktiverer ti milliarder. Det har 48 sprogmodellag med grupper af tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 256 routede eksperter, hvoraf modellen vælger otte sammen med én fælles ekspert. En vision-encoder og multi-token prediction indgår i modellen. Dens samlede og aktiverede antal har forskellig betydning; det aktiverede tal er ikke hele checkpointets størrelse.\n\nDette er en særskilt udgave i forhold til den tætte Qwen3.5-27B, den sparsomme Qwen3.5-35B-A3B og senere modelgenerationer. Udled ikke en generel rangering af ydeevne eller svartid fra størrelsen alene. Den indbyggede kontekst er 262,144 tokens, og den dokumenterede udvidelse når 1,010,000 med konfiguration. Qwen anbefaler om muligt at bevare mindst en 128K-kontekst til kompleks tænkning, men anerkender, at hukommelsestryk kan kræve et mindre vindue.\n\nKlargøring af fælles tekstlig og visuel dokumentation\n\nBevar diagrametiketter, diagramakser, tabeloverskrifter og enheder. Angiv, om resultatet skal forklare et forhold, udtrække navngivne felter eller foreslå kode. Når flere kilder er relevante, skal de mærkes, og output organiseres efter de samme identifikatorer. Adskil synlige fakta fra antagelser, så en reviewer kan spore ræsonnementerne til det leverede materiale.\n\nTil en programmeringsforespørgsel skal du udpege den tilsigtede adfærd, relevant kildekode og et input, der viser problemet. Bed om en redigerbar patch med en forklaring af berørte betingelser og kontroller. For video skal du bevare hændelsesrækkefølge og tidsangivelser og specificere spørgsmålet frem for at bede om en udifferentieret opsummering. Modellens tekstresultat er et udkast til inspektion; evnen til visuelt input betyder ikke billed-, video- eller talegenerering.\n\nTænkning og historik\n\nTænkning er aktiveret som standard med ræsonnementer før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den til direkte svar. De gamle skift /think og /nothink understøttes ikke officielt. Qwen3.5 anbefaler at bevare endelige svar uden tænkningsindhold i tidligere assistentbeskeder. Det bør ikke erstattes af senere Qwen-generationers muligheder for historikbevarelse, blot fordi de deler et familienavn.\n\nGør det endelige resultat let at finde, eksempelvis et defineret svarfelt, en afgrænset værdi eller en særskilt kodeleverance. Et direkte svar skal stadig kontrolleres, mens længere ræsonnementer kun er nyttige, når deres trin underbygger en verificerbar konklusion.\n\nAgentbrug\n\nQwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer sammen med Qwen Code til programmeringsagentarbejde. Definér tilladte handlinger, tilgængelig dokumentation og færdiggørelseskriterier. Tilsluttede værktøjer udfører operationer og returnerer resultater; modellen bruger feedbacken i sin analyse. En foreslået kommando, søgeforespørgsel eller patch bør holdes adskilt fra en handling, applikationen faktisk har udført.\n\nUltralang kontekst og video\n\nProducentens udvidelse bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens, og to foreslås til arbejdsbelastninger på 524,288 tokens. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge et reelt behov for større kontekst. Input, repræsenteret visuelt materiale, historik, ræsonnementer og det endelige svar bruger alle det konfigurerede sekvensbudget.\n\nDet understøttede videoeksempel bruger som standard to billeder pr. sekund. Til materiale i timelængde anbefaler producenten at øge processorbudgettet til cirka 224K videotokens til hyppigere sampling. Det er en konfigurationsafhængig opskrift, ikke en universel garanti for medievarighed, fuldstændig genkaldelse eller tidsstempelpræcision.\n\nGenereringsvejledning og væsentlige begrænsninger\n\nBest Practices anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0 til generel tænkning. Præcis programmering bruger temperature 0.6 og presence penalty nul. Generelle direkte svar bruger temperature 0.7, top_p 0.8 og presence penalty 1.5; top_k er 20, min_p er 0 og repetition penalty er 1.0. Ræsonnement med direkte svar har et særskilt forvalg: temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Højere presence penalties kan blande sprog eller forringe kvaliteten en smule.\n\nAnbefalede genereringsbudgetter er 32,768 tokens til de fleste forespørgsler og 81,920 til usædvanligt komplekst matematisk arbejde eller programmeringsarbejde; de er ikke særskilt fastslåede hårde outputgrænser. Definér det ønskede format, bevar kildeidentifikatorer, og kontrollér beregninger, udtrukne værdier og foreslået kode mod den oprindelige dokumentation. Det nyttige resultat er en komplet tekstleverance, hvis antagelser og understøttende materiale forbliver synlige.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B er Qwens vision-sprogmodel med mixture-of-experts og 122 milliarder parametre i alt, hvoraf 10 milliarder aktiveres. Den modtager tekst, billeder og video til ræsonnements-, programmerings- og agentopgaver og returnerer tekst med valgfri tænkning og en indbygget kontekst på 262,144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.5s styrker: ekspertmodellen 122B-A10B
Qwen3.5-122B-A10B er en eftertrænet vision-sprogmodel til fælles tekst- og billedopgaver. Den modtager tekst, billeder og video og returnerer tekst, herunder forklaringer, kodeforslag og ønskede dokumentleverancer. Familien er bygget med tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver og udvikler ræsonnementer, programmering, agenter og visuel forståelse. Den beskriver dækning af 201 sprog og dialekter uden at antyde, at ethvert sprog eller domæne har identisk pålidelighed.
En nyttig opgave kan kombinere en teknisk specifikation, diagrammer og relevant kode og bede modellen forklare komponenterne og returnere et implementeringsforslag. En dokumentanalyseopgave kan bede om en sammenligning med understøttende afsnits- eller sidereferencer.
Modeloverblik
Det sparsomme mixture-of-experts-checkpoint har 122 milliarder parametre i alt og aktiverer ti milliarder. Det har 48 sprogmodellag med grupper af tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 256 routede eksperter, hvoraf modellen vælger otte sammen med én fælles ekspert. En vision-encoder og multi-token prediction indgår i modellen. Dens samlede og aktiverede antal har forskellig betydning; det aktiverede tal er ikke hele checkpointets størrelse.
Dette er en særskilt udgave i forhold til den tætte Qwen3.5-27B, den sparsomme Qwen3.5-35B-A3B og senere modelgenerationer. Udled ikke en generel rangering af ydeevne eller svartid fra størrelsen alene. Den indbyggede kontekst er 262,144 tokens, og den dokumenterede udvidelse når 1,010,000 med konfiguration. Qwen anbefaler om muligt at bevare mindst en 128K-kontekst til kompleks tænkning, men anerkender, at hukommelsestryk kan kræve et mindre vindue.
Klargøring af fælles tekstlig og visuel dokumentation
Bevar diagrametiketter, diagramakser, tabeloverskrifter og enheder. Angiv, om resultatet skal forklare et forhold, udtrække navngivne felter eller foreslå kode. Når flere kilder er relevante, skal de mærkes, og output organiseres efter de samme identifikatorer. Adskil synlige fakta fra antagelser, så en reviewer kan spore ræsonnementerne til det leverede materiale.
Til en programmeringsforespørgsel skal du udpege den tilsigtede adfærd, relevant kildekode og et input, der viser problemet. Bed om en redigerbar patch med en forklaring af berørte betingelser og kontroller. For video skal du bevare hændelsesrækkefølge og tidsangivelser og specificere spørgsmålet frem for at bede om en udifferentieret opsummering. Modellens tekstresultat er et udkast til inspektion; evnen til visuelt input betyder ikke billed-, video- eller talegenerering.
Tænkning og historik
Tænkning er aktiveret som standard med ræsonnementer før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den til direkte svar. De gamle skift /think og /nothink understøttes ikke officielt. Qwen3.5 anbefaler at bevare endelige svar uden tænkningsindhold i tidligere assistentbeskeder. Det bør ikke erstattes af senere Qwen-generationers muligheder for historikbevarelse, blot fordi de deler et familienavn.
Gør det endelige resultat let at finde, eksempelvis et defineret svarfelt, en afgrænset værdi eller en særskilt kodeleverance. Et direkte svar skal stadig kontrolleres, mens længere ræsonnementer kun er nyttige, når deres trin underbygger en verificerbar konklusion.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer sammen med Qwen Code til programmeringsagentarbejde. Definér tilladte handlinger, tilgængelig dokumentation og færdiggørelseskriterier. Tilsluttede værktøjer udfører operationer og returnerer resultater; modellen bruger feedbacken i sin analyse. En foreslået kommando, søgeforespørgsel eller patch bør holdes adskilt fra en handling, applikationen faktisk har udført.
Ultralang kontekst og video
Producentens udvidelse bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens, og to foreslås til arbejdsbelastninger på 524,288 tokens. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge et reelt behov for større kontekst. Input, repræsenteret visuelt materiale, historik, ræsonnementer og det endelige svar bruger alle det konfigurerede sekvensbudget.
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Til materiale i timelængde anbefaler producenten at øge processorbudgettet til cirka 224K videotokens til hyppigere sampling. Det er en konfigurationsafhængig opskrift, ikke en universel garanti for medievarighed, fuldstændig genkaldelse eller tidsstempelpræcision.
Genereringsvejledning og væsentlige begrænsninger
Best Practices anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0 til generel tænkning. Præcis programmering bruger temperature 0.6 og presence penalty nul. Generelle direkte svar bruger temperature 0.7, top_p 0.8 og presence penalty 1.5; top_k er 20, min_p er 0 og repetition penalty er 1.0. Ræsonnement med direkte svar har et særskilt forvalg: temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Højere presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste forespørgsler og 81,920 til usædvanligt komplekst matematisk arbejde eller programmeringsarbejde; de er ikke særskilt fastslåede hårde outputgrænser. Definér det ønskede format, bevar kildeidentifikatorer, og kontrollér beregninger, udtrukne værdier og foreslået kode mod den oprindelige dokumentation. Det nyttige resultat er en komplet tekstleverance, hvis antagelser og understøttende materiale forbliver synlige.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-122b-a10b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00058 / 1K tokens Output · Outputtokens $0.00458 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00058 / 1K tokens Output · Outputtokens $0.00458 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "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/qwen3.5-122b-a10b',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/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Brug metodestierne vist ovenfor.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B er Qwens vision-sprogmodel med mixture-of-experts og 122 milliarder parametre i alt, hvoraf 10 milliarder aktiveres. Den modtager tekst, billeder og video til ræsonnements-, programmerings- og agentopgaver og returnerer tekst med valgfri tænkning og en indbygget kontekst på 262,144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.5s styrker: ekspertmodellen 122B-A10B
Qwen3.5-122B-A10B er en eftertrænet vision-sprogmodel til fælles tekst- og billedopgaver. Den modtager tekst, billeder og video og returnerer tekst, herunder forklaringer, kodeforslag og ønskede dokumentleverancer. Familien er bygget med tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver og udvikler ræsonnementer, programmering, agenter og visuel forståelse. Den beskriver dækning af 201 sprog og dialekter uden at antyde, at ethvert sprog eller domæne har identisk pålidelighed.
En nyttig opgave kan kombinere en teknisk specifikation, diagrammer og relevant kode og bede modellen forklare komponenterne og returnere et implementeringsforslag. En dokumentanalyseopgave kan bede om en sammenligning med understøttende afsnits- eller sidereferencer.
Modeloverblik
Det sparsomme mixture-of-experts-checkpoint har 122 milliarder parametre i alt og aktiverer ti milliarder. Det har 48 sprogmodellag med grupper af tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 256 routede eksperter, hvoraf modellen vælger otte sammen med én fælles ekspert. En vision-encoder og multi-token prediction indgår i modellen. Dens samlede og aktiverede antal har forskellig betydning; det aktiverede tal er ikke hele checkpointets størrelse.
Dette er en særskilt udgave i forhold til den tætte Qwen3.5-27B, den sparsomme Qwen3.5-35B-A3B og senere modelgenerationer. Udled ikke en generel rangering af ydeevne eller svartid fra størrelsen alene. Den indbyggede kontekst er 262,144 tokens, og den dokumenterede udvidelse når 1,010,000 med konfiguration. Qwen anbefaler om muligt at bevare mindst en 128K-kontekst til kompleks tænkning, men anerkender, at hukommelsestryk kan kræve et mindre vindue.
Klargøring af fælles tekstlig og visuel dokumentation
Bevar diagrametiketter, diagramakser, tabeloverskrifter og enheder. Angiv, om resultatet skal forklare et forhold, udtrække navngivne felter eller foreslå kode. Når flere kilder er relevante, skal de mærkes, og output organiseres efter de samme identifikatorer. Adskil synlige fakta fra antagelser, så en reviewer kan spore ræsonnementerne til det leverede materiale.
Til en programmeringsforespørgsel skal du udpege den tilsigtede adfærd, relevant kildekode og et input, der viser problemet. Bed om en redigerbar patch med en forklaring af berørte betingelser og kontroller. For video skal du bevare hændelsesrækkefølge og tidsangivelser og specificere spørgsmålet frem for at bede om en udifferentieret opsummering. Modellens tekstresultat er et udkast til inspektion; evnen til visuelt input betyder ikke billed-, video- eller talegenerering.
Tænkning og historik
Tænkning er aktiveret som standard med ræsonnementer før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den til direkte svar. De gamle skift /think og /nothink understøttes ikke officielt. Qwen3.5 anbefaler at bevare endelige svar uden tænkningsindhold i tidligere assistentbeskeder. Det bør ikke erstattes af senere Qwen-generationers muligheder for historikbevarelse, blot fordi de deler et familienavn.
Gør det endelige resultat let at finde, eksempelvis et defineret svarfelt, en afgrænset værdi eller en særskilt kodeleverance. Et direkte svar skal stadig kontrolleres, mens længere ræsonnementer kun er nyttige, når deres trin underbygger en verificerbar konklusion.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer sammen med Qwen Code til programmeringsagentarbejde. Definér tilladte handlinger, tilgængelig dokumentation og færdiggørelseskriterier. Tilsluttede værktøjer udfører operationer og returnerer resultater; modellen bruger feedbacken i sin analyse. En foreslået kommando, søgeforespørgsel eller patch bør holdes adskilt fra en handling, applikationen faktisk har udført.
Ultralang kontekst og video
Producentens udvidelse bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens, og to foreslås til arbejdsbelastninger på 524,288 tokens. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge et reelt behov for større kontekst. Input, repræsenteret visuelt materiale, historik, ræsonnementer og det endelige svar bruger alle det konfigurerede sekvensbudget.
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Til materiale i timelængde anbefaler producenten at øge processorbudgettet til cirka 224K videotokens til hyppigere sampling. Det er en konfigurationsafhængig opskrift, ikke en universel garanti for medievarighed, fuldstændig genkaldelse eller tidsstempelpræcision.
Genereringsvejledning og væsentlige begrænsninger
Best Practices anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0 til generel tænkning. Præcis programmering bruger temperature 0.6 og presence penalty nul. Generelle direkte svar bruger temperature 0.7, top_p 0.8 og presence penalty 1.5; top_k er 20, min_p er 0 og repetition penalty er 1.0. Ræsonnement med direkte svar har et særskilt forvalg: temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Højere presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste forespørgsler og 81,920 til usædvanligt komplekst matematisk arbejde eller programmeringsarbejde; de er ikke særskilt fastslåede hårde outputgrænser. Definér det ønskede format, bevar kildeidentifikatorer, og kontrollér beregninger, udtrukne værdier og foreslået kode mod den oprindelige dokumentation. Det nyttige resultat er en komplet tekstleverance, hvis antagelser og understøttende materiale forbliver synlige.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-122b-a10b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00058 / 1K tokens Output · Outputtokens $0.00458 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00058 / 1K tokens Output · Outputtokens $0.00458 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-122b-a10b', '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/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.