Qwen3.5s styrker i den tætte 27B-udgave
Qwen3.5-27B er en eftertrænet tæt vision-sprogmodel. Tekst, billeder og video kan indgå i én opgave, mens resultatet er tekst: en forklaring, et kodeforslag, udtrukne oplysninger eller en anden ønsket leverance. Familiens tidlige fusion af tekstlig og visuel træning udvikler ræsonnements-, programmerings-, agent- og billedkompetencer med forstærkningslæring på stadig mere komplekse opgaver og understøttelse af 201 sprog og dialekter.
Denne sprogdækning hjælper med at rammesætte flersprogede opgaver, men garanterer ikke identisk pålidelighed for enhver dialekt eller ethvert specialistordforråd. Angiv målsprog, målgruppe og termer, der skal forblive uændrede. Til en dokumentsammenligning på tværs af sprog skal du mærke hver kilde og bede om et resultat organiseret efter de fakta eller spørgsmål, der skal sammenlignes.
Modeloverblik
Den præcise 27B-udgave er tæt med 64 sprogmodellag og en vision-encoder. Dens hybride opbygning veksler mellem grupper af tre Gated DeltaNet-lag og ét lag med gated attention og bruger tætte feedforward-netværk. Multi-token prediction indgår i træningen. Den sparsomme mixture-of-experts-arkitektur, som beskrives for andre Qwen3.5-størrelser, bør ikke tilskrives denne model; dens identitet med 27 milliarder parametre er dens egen checkpointspecifikation.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Qwen anbefaler om muligt at bevare mindst en 128K-kontekst til komplekse tænkningsopgaver, men tillader lavere indstillinger, når hukommelsesbegrænsninger kræver det. Det er konfigurationsvejledning frem for bevis på, at enhver grænseflade stiller hele konteksten til rådighed. Kildetekst, visuelle tokens, historik, ræsonnementer og svaret deler sekvensbudgettet.
Klargøring af tekst og billeder
For et teknisk dokument skal du bevare afsnitsidentifikatorer og bede om en kravtabel eller en forklaring underbygget af disse afsnit. For et diagram skal du bevare etiketter og angive definitioner, der ikke er synlige i billedet. Til en kodeopgave skal du levere den relevante funktion, observeret adfærd og krævet resultat. Et nyttigt svar bør identificere den anvendte dokumentation, adskille antagelser og returnere slutleverancen i en form, der kan gennemgås.
Til et videospørgsmål skal du udpege den relevante hændelse eller sekvens og bevare tidsangivelser og billedrækkefølge. Producentens eksempel bruger to billeder pr. sekund i det understøttede forløb. Dens vejledning til lang video anbefaler et større processorbudget svarende til cirka 224K videotokens til analyse i timelængde med hyppigere sampling. Disse indstillinger kræver konfiguration og fastslår ikke en universel garanti for varighed eller præcise hændelsestidsstempler.
Tænkning og direkte svar
Tænkning er aktiveret som standard og kommer før det endelige svar. enable_thinking kan deaktivere den for at give et direkte svar. Qwen3.5 understøtter ikke officielt de ældre skift /think og /nothink. Producenten anbefaler kun at bevare teksten fra endelige svar i tidligere assistentbeskeder frem for tænkningsindholdet. Det er Qwen3.5-kontrakten og bør holdes adskilt fra adfærd for bevarelse af tidligere ræsonnementer, som er dokumenteret til senere udgivelser.
Vælg en slutform før indsendelse af opgaven: en kort konklusion med understøttende værdier, en tabel over udtrukne felter eller en forklaret kodepatch. Et direkte svar er stadig et genereret svar, der skal gennemgås; en lang tænkningsudskrift er ikke selvstændigt bevis på, at konklusionen er korrekt.
Agentbrug
Producenten understøtter værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til programmeringsagentforløb. Giv applikationens værktøjer en klar rolle, og returnér deres faktiske observationer til modellen. Modellen kan planlægge og revidere ud fra feedbacken, mens applikationen udfører handlingerne. Værktøjsunderstøttelse fastslår ikke i sig selv indbygget adgang til internettet, filer eller et kodeeksekveringsmiljø gennem enhver grænseflade.
Ultralang tekst
Udvidelsen bruger YaRN med checkpointets egen positionskonfiguration. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på to foreslås til 524,288 tokens. Statisk skalering kan sænke kvaliteten af kortere tekst, så producenten anbefaler den, når der faktisk er behov for større kontekst. Hold langt materiale organiseret, og reservér plads til det krævede svar frem for at fortolke det største konteksttal som ubegrænset dokumentgenkaldelse.
Genereringsvejledning og 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 bruger det særskilte Best Practices-forvalg temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Større presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste opgaver og 81,920 til usædvanligt kompleks matematik eller programmering. De er ikke selvstændige hårde outputgrænser. Angiv svarschema eller afgrænser udtrykkeligt, og kontrollér kode, beregninger, citater og visuelle detaljer mod kilden. Det nyttige resultat er en konkret tekstleverance med den præcise tætte 27B-identitet, input og svarmodus bevaret.
", "aboutText": "Qwen3.5s styrker i den tætte 27B-udgave\n\nQwen3.5-27B er en eftertrænet tæt vision-sprogmodel. Tekst, billeder og video kan indgå i én opgave, mens resultatet er tekst: en forklaring, et kodeforslag, udtrukne oplysninger eller en anden ønsket leverance. Familiens tidlige fusion af tekstlig og visuel træning udvikler ræsonnements-, programmerings-, agent- og billedkompetencer med forstærkningslæring på stadig mere komplekse opgaver og understøttelse af 201 sprog og dialekter.\n\nDenne sprogdækning hjælper med at rammesætte flersprogede opgaver, men garanterer ikke identisk pålidelighed for enhver dialekt eller ethvert specialistordforråd. Angiv målsprog, målgruppe og termer, der skal forblive uændrede. Til en dokumentsammenligning på tværs af sprog skal du mærke hver kilde og bede om et resultat organiseret efter de fakta eller spørgsmål, der skal sammenlignes.\n\nModeloverblik\n\nDen præcise 27B-udgave er tæt med 64 sprogmodellag og en vision-encoder. Dens hybride opbygning veksler mellem grupper af tre Gated DeltaNet-lag og ét lag med gated attention og bruger tætte feedforward-netværk. Multi-token prediction indgår i træningen. Den sparsomme mixture-of-experts-arkitektur, som beskrives for andre Qwen3.5-størrelser, bør ikke tilskrives denne model; dens identitet med 27 milliarder parametre er dens egen checkpointspecifikation.\n\nDen indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Qwen anbefaler om muligt at bevare mindst en 128K-kontekst til komplekse tænkningsopgaver, men tillader lavere indstillinger, når hukommelsesbegrænsninger kræver det. Det er konfigurationsvejledning frem for bevis på, at enhver grænseflade stiller hele konteksten til rådighed. Kildetekst, visuelle tokens, historik, ræsonnementer og svaret deler sekvensbudgettet.\n\nKlargøring af tekst og billeder\n\nFor et teknisk dokument skal du bevare afsnitsidentifikatorer og bede om en kravtabel eller en forklaring underbygget af disse afsnit. For et diagram skal du bevare etiketter og angive definitioner, der ikke er synlige i billedet. Til en kodeopgave skal du levere den relevante funktion, observeret adfærd og krævet resultat. Et nyttigt svar bør identificere den anvendte dokumentation, adskille antagelser og returnere slutleverancen i en form, der kan gennemgås.\n\nTil et videospørgsmål skal du udpege den relevante hændelse eller sekvens og bevare tidsangivelser og billedrækkefølge. Producentens eksempel bruger to billeder pr. sekund i det understøttede forløb. Dens vejledning til lang video anbefaler et større processorbudget svarende til cirka 224K videotokens til analyse i timelængde med hyppigere sampling. Disse indstillinger kræver konfiguration og fastslår ikke en universel garanti for varighed eller præcise hændelsestidsstempler.\n\nTænkning og direkte svar\n\nTænkning er aktiveret som standard og kommer før det endelige svar. enable_thinking kan deaktivere den for at give et direkte svar. Qwen3.5 understøtter ikke officielt de ældre skift /think og /nothink. Producenten anbefaler kun at bevare teksten fra endelige svar i tidligere assistentbeskeder frem for tænkningsindholdet. Det er Qwen3.5-kontrakten og bør holdes adskilt fra adfærd for bevarelse af tidligere ræsonnementer, som er dokumenteret til senere udgivelser.\n\nVælg en slutform før indsendelse af opgaven: en kort konklusion med understøttende værdier, en tabel over udtrukne felter eller en forklaret kodepatch. Et direkte svar er stadig et genereret svar, der skal gennemgås; en lang tænkningsudskrift er ikke selvstændigt bevis på, at konklusionen er korrekt.\n\nAgentbrug\n\nProducenten understøtter værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til programmeringsagentforløb. Giv applikationens værktøjer en klar rolle, og returnér deres faktiske observationer til modellen. Modellen kan planlægge og revidere ud fra feedbacken, mens applikationen udfører handlingerne. Værktøjsunderstøttelse fastslår ikke i sig selv indbygget adgang til internettet, filer eller et kodeeksekveringsmiljø gennem enhver grænseflade.\n\nUltralang tekst\n\nUdvidelsen bruger YaRN med checkpointets egen positionskonfiguration. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på to foreslås til 524,288 tokens. Statisk skalering kan sænke kvaliteten af kortere tekst, så producenten anbefaler den, når der faktisk er behov for større kontekst. Hold langt materiale organiseret, og reservér plads til det krævede svar frem for at fortolke det største konteksttal som ubegrænset dokumentgenkaldelse.\n\nGenereringsvejledning og 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 bruger det særskilte Best Practices-forvalg temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Større presence penalties kan blande sprog eller forringe kvaliteten en smule.\n\nAnbefalede genereringsbudgetter er 32,768 tokens til de fleste opgaver og 81,920 til usædvanligt kompleks matematik eller programmering. De er ikke selvstændige hårde outputgrænser. Angiv svarschema eller afgrænser udtrykkeligt, og kontrollér kode, beregninger, citater og visuelle detaljer mod kilden. Det nyttige resultat er en konkret tekstleverance med den præcise tætte 27B-identitet, input og svarmodus bevaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B er Qwens tætte vision-sprogmodel med 27 milliarder parametre til tekst, billeder og video med tekstligt output. Den understøtter ræsonnementer, programmering, værktøjsunderstøttet arbejde og flersprogede opgaver 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 i den tætte 27B-udgave
Qwen3.5-27B er en eftertrænet tæt vision-sprogmodel. Tekst, billeder og video kan indgå i én opgave, mens resultatet er tekst: en forklaring, et kodeforslag, udtrukne oplysninger eller en anden ønsket leverance. Familiens tidlige fusion af tekstlig og visuel træning udvikler ræsonnements-, programmerings-, agent- og billedkompetencer med forstærkningslæring på stadig mere komplekse opgaver og understøttelse af 201 sprog og dialekter.
Denne sprogdækning hjælper med at rammesætte flersprogede opgaver, men garanterer ikke identisk pålidelighed for enhver dialekt eller ethvert specialistordforråd. Angiv målsprog, målgruppe og termer, der skal forblive uændrede. Til en dokumentsammenligning på tværs af sprog skal du mærke hver kilde og bede om et resultat organiseret efter de fakta eller spørgsmål, der skal sammenlignes.
Modeloverblik
Den præcise 27B-udgave er tæt med 64 sprogmodellag og en vision-encoder. Dens hybride opbygning veksler mellem grupper af tre Gated DeltaNet-lag og ét lag med gated attention og bruger tætte feedforward-netværk. Multi-token prediction indgår i træningen. Den sparsomme mixture-of-experts-arkitektur, som beskrives for andre Qwen3.5-størrelser, bør ikke tilskrives denne model; dens identitet med 27 milliarder parametre er dens egen checkpointspecifikation.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Qwen anbefaler om muligt at bevare mindst en 128K-kontekst til komplekse tænkningsopgaver, men tillader lavere indstillinger, når hukommelsesbegrænsninger kræver det. Det er konfigurationsvejledning frem for bevis på, at enhver grænseflade stiller hele konteksten til rådighed. Kildetekst, visuelle tokens, historik, ræsonnementer og svaret deler sekvensbudgettet.
Klargøring af tekst og billeder
For et teknisk dokument skal du bevare afsnitsidentifikatorer og bede om en kravtabel eller en forklaring underbygget af disse afsnit. For et diagram skal du bevare etiketter og angive definitioner, der ikke er synlige i billedet. Til en kodeopgave skal du levere den relevante funktion, observeret adfærd og krævet resultat. Et nyttigt svar bør identificere den anvendte dokumentation, adskille antagelser og returnere slutleverancen i en form, der kan gennemgås.
Til et videospørgsmål skal du udpege den relevante hændelse eller sekvens og bevare tidsangivelser og billedrækkefølge. Producentens eksempel bruger to billeder pr. sekund i det understøttede forløb. Dens vejledning til lang video anbefaler et større processorbudget svarende til cirka 224K videotokens til analyse i timelængde med hyppigere sampling. Disse indstillinger kræver konfiguration og fastslår ikke en universel garanti for varighed eller præcise hændelsestidsstempler.
Tænkning og direkte svar
Tænkning er aktiveret som standard og kommer før det endelige svar. enable_thinking kan deaktivere den for at give et direkte svar. Qwen3.5 understøtter ikke officielt de ældre skift /think og /nothink. Producenten anbefaler kun at bevare teksten fra endelige svar i tidligere assistentbeskeder frem for tænkningsindholdet. Det er Qwen3.5-kontrakten og bør holdes adskilt fra adfærd for bevarelse af tidligere ræsonnementer, som er dokumenteret til senere udgivelser.
Vælg en slutform før indsendelse af opgaven: en kort konklusion med understøttende værdier, en tabel over udtrukne felter eller en forklaret kodepatch. Et direkte svar er stadig et genereret svar, der skal gennemgås; en lang tænkningsudskrift er ikke selvstændigt bevis på, at konklusionen er korrekt.
Agentbrug
Producenten understøtter værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til programmeringsagentforløb. Giv applikationens værktøjer en klar rolle, og returnér deres faktiske observationer til modellen. Modellen kan planlægge og revidere ud fra feedbacken, mens applikationen udfører handlingerne. Værktøjsunderstøttelse fastslår ikke i sig selv indbygget adgang til internettet, filer eller et kodeeksekveringsmiljø gennem enhver grænseflade.
Ultralang tekst
Udvidelsen bruger YaRN med checkpointets egen positionskonfiguration. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på to foreslås til 524,288 tokens. Statisk skalering kan sænke kvaliteten af kortere tekst, så producenten anbefaler den, når der faktisk er behov for større kontekst. Hold langt materiale organiseret, og reservér plads til det krævede svar frem for at fortolke det største konteksttal som ubegrænset dokumentgenkaldelse.
Genereringsvejledning og 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 bruger det særskilte Best Practices-forvalg temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Større presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste opgaver og 81,920 til usædvanligt kompleks matematik eller programmering. De er ikke selvstændige hårde outputgrænser. Angiv svarschema eller afgrænser udtrykkeligt, og kontrollér kode, beregninger, citater og visuelle detaljer mod kilden. Det nyttige resultat er en konkret tekstleverance med den præcise tætte 27B-identitet, input og svarmodus bevaret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-27b | 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 $0.00052 / 1K tokens Output · Outputtokens $0.00412 / 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 $0.00052 / 1K tokens Output · Outputtokens $0.00412 / 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/qwen3.5-27b", "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/qwen3.5-27b',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/qwen3.5-27b',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 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/qwen3.5-27b
Brug metodestierne vist ovenfor.
qwen/qwen3.5-27bQwen3.5-27B er Qwens tætte vision-sprogmodel med 27 milliarder parametre til tekst, billeder og video med tekstligt output. Den understøtter ræsonnementer, programmering, værktøjsunderstøttet arbejde og flersprogede opgaver 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 i den tætte 27B-udgave
Qwen3.5-27B er en eftertrænet tæt vision-sprogmodel. Tekst, billeder og video kan indgå i én opgave, mens resultatet er tekst: en forklaring, et kodeforslag, udtrukne oplysninger eller en anden ønsket leverance. Familiens tidlige fusion af tekstlig og visuel træning udvikler ræsonnements-, programmerings-, agent- og billedkompetencer med forstærkningslæring på stadig mere komplekse opgaver og understøttelse af 201 sprog og dialekter.
Denne sprogdækning hjælper med at rammesætte flersprogede opgaver, men garanterer ikke identisk pålidelighed for enhver dialekt eller ethvert specialistordforråd. Angiv målsprog, målgruppe og termer, der skal forblive uændrede. Til en dokumentsammenligning på tværs af sprog skal du mærke hver kilde og bede om et resultat organiseret efter de fakta eller spørgsmål, der skal sammenlignes.
Modeloverblik
Den præcise 27B-udgave er tæt med 64 sprogmodellag og en vision-encoder. Dens hybride opbygning veksler mellem grupper af tre Gated DeltaNet-lag og ét lag med gated attention og bruger tætte feedforward-netværk. Multi-token prediction indgår i træningen. Den sparsomme mixture-of-experts-arkitektur, som beskrives for andre Qwen3.5-størrelser, bør ikke tilskrives denne model; dens identitet med 27 milliarder parametre er dens egen checkpointspecifikation.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Qwen anbefaler om muligt at bevare mindst en 128K-kontekst til komplekse tænkningsopgaver, men tillader lavere indstillinger, når hukommelsesbegrænsninger kræver det. Det er konfigurationsvejledning frem for bevis på, at enhver grænseflade stiller hele konteksten til rådighed. Kildetekst, visuelle tokens, historik, ræsonnementer og svaret deler sekvensbudgettet.
Klargøring af tekst og billeder
For et teknisk dokument skal du bevare afsnitsidentifikatorer og bede om en kravtabel eller en forklaring underbygget af disse afsnit. For et diagram skal du bevare etiketter og angive definitioner, der ikke er synlige i billedet. Til en kodeopgave skal du levere den relevante funktion, observeret adfærd og krævet resultat. Et nyttigt svar bør identificere den anvendte dokumentation, adskille antagelser og returnere slutleverancen i en form, der kan gennemgås.
Til et videospørgsmål skal du udpege den relevante hændelse eller sekvens og bevare tidsangivelser og billedrækkefølge. Producentens eksempel bruger to billeder pr. sekund i det understøttede forløb. Dens vejledning til lang video anbefaler et større processorbudget svarende til cirka 224K videotokens til analyse i timelængde med hyppigere sampling. Disse indstillinger kræver konfiguration og fastslår ikke en universel garanti for varighed eller præcise hændelsestidsstempler.
Tænkning og direkte svar
Tænkning er aktiveret som standard og kommer før det endelige svar. enable_thinking kan deaktivere den for at give et direkte svar. Qwen3.5 understøtter ikke officielt de ældre skift /think og /nothink. Producenten anbefaler kun at bevare teksten fra endelige svar i tidligere assistentbeskeder frem for tænkningsindholdet. Det er Qwen3.5-kontrakten og bør holdes adskilt fra adfærd for bevarelse af tidligere ræsonnementer, som er dokumenteret til senere udgivelser.
Vælg en slutform før indsendelse af opgaven: en kort konklusion med understøttende værdier, en tabel over udtrukne felter eller en forklaret kodepatch. Et direkte svar er stadig et genereret svar, der skal gennemgås; en lang tænkningsudskrift er ikke selvstændigt bevis på, at konklusionen er korrekt.
Agentbrug
Producenten understøtter værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til programmeringsagentforløb. Giv applikationens værktøjer en klar rolle, og returnér deres faktiske observationer til modellen. Modellen kan planlægge og revidere ud fra feedbacken, mens applikationen udfører handlingerne. Værktøjsunderstøttelse fastslår ikke i sig selv indbygget adgang til internettet, filer eller et kodeeksekveringsmiljø gennem enhver grænseflade.
Ultralang tekst
Udvidelsen bruger YaRN med checkpointets egen positionskonfiguration. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på to foreslås til 524,288 tokens. Statisk skalering kan sænke kvaliteten af kortere tekst, så producenten anbefaler den, når der faktisk er behov for større kontekst. Hold langt materiale organiseret, og reservér plads til det krævede svar frem for at fortolke det største konteksttal som ubegrænset dokumentgenkaldelse.
Genereringsvejledning og 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 bruger det særskilte Best Practices-forvalg temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Større presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste opgaver og 81,920 til usædvanligt kompleks matematik eller programmering. De er ikke selvstændige hårde outputgrænser. Angiv svarschema eller afgrænser udtrykkeligt, og kontrollér kode, beregninger, citater og visuelle detaljer mod kilden. Det nyttige resultat er en konkret tekstleverance med den præcise tætte 27B-identitet, input og svarmodus bevaret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-27b | 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 $0.00052 / 1K tokens Output · Outputtokens $0.00412 / 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 $0.00052 / 1K tokens Output · Outputtokens $0.00412 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-27b', '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/qwen3.5-27b', '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 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/qwen3.5-27b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.