Qwen3.5s styrker: et sparsomt vision-sprogcheckpoint
Qwen3.5-35B-A3B er en eftertrænet vision-sprogmodel, som kombinerer forståelse af tekst, billeder og video med tekstlige svar. Familien er trænet med tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver og understøtter ræsonnementer, programmering, agenter og visuel analyse. Den beskriver også dækning af 201 sprog og dialekter. Denne dækning er en familieegenskab frem for et løfte om ens kvalitet for ethvert sprog eller enhver opgave.
Det præcise åbne checkpoint er adskilt fra Qwen3.5-35B-A3B-Base og den senere Qwen3.6-udgivelse. Producenten beskriver også et administreret Flash-tilbud med yderligere funktioner; disse grænsefladefunktioner bør ikke automatisk tilskrives dette åbne checkpoint. Bevar den ønskede 35B-A3B-identitet ved sammenligning af resultater eller fastholdelse af et reproducerbart modelvalg.
Modeloverblik
Mixture-of-experts-modellen har 35 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 40 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Den har 256 routede eksperter med otte routede eksperter og én fælles ekspert aktive i den dokumenterede opbygning. En vision-encoder og multi-token prediction indgår i modellen. Det aktiverede antal beskriver ikke det komplette checkpoints størrelse, og arkitekturen alene garanterer ikke svartiden i en bestemt applikation.
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, selv om et mindre vindue ville reducere hukommelsespresset. Tekst, repræsenteret visuelt materiale, historik, ræsonnementer og det endelige svar kræver alle plads i den konfigurerede sekvens.
Brug af input og svarmodi
Til en programmeringsforespørgsel baseret på et skærmbillede skal du levere den visuelle reference, eksisterende kildekontekst, interaktionskrav og den forventede redigerbare leverance. For et diagram eller dokument skal du bevare etiketter og enheder og bede om en værditabel med understøttende dokumentation. Til en flersproget forklaring skal du angive målsprog og termer, der skal bevares.
Tænkning er aktiveret som standard og producerer en ræsonnementsblok før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. Qwen3.5 understøtter ikke officielt de gamle promptskift /think og /nothink. Dens historikvejledning bevarer endelige svar uden tænkningsindhold. Det bør holdes adskilt fra senere Qwen3.6-muligheder for bevarelse eller Qwen3.8s standardbevarelse af tidligere ræsonnementer.
Agentbrug
Producenten dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til repositoryorienteret arbejde. Definér tilladte operationer, relevant dokumentation og slutleverancen. Applikationen udfører værktøjer og leverer deres observationer; modellen kan bruge feedbacken til at revidere sin analyse. En planlagt kommando eller genereret patch er ikke en udført handling, og modelnavnet alene fastslår ikke adgang til aktuelle oplysninger eller filer.
Ultralang kontekst
Producentens udvidelsesopskrift bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på to foreslås til opgaver på 524,288 tokens. Statisk skalering kan reducere ydeevnen på kortere tekst og bør derfor konfigureres, når den større kontekst er nødvendig. Organisér langt materiale med dokumentgrænser, kodeidentifikatorer og et klart spørgsmål frem for at fylde vinduet med uvedkommende dokumentation.
Genereringsanbefalinger
I Best Practices bruger generel tænkning temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0. 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. Til ræsonnement i direkte modus angiver Best Practices temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Hold disse opgavespecifikke forvalg adskilt; større presence penalties kan medføre sprogblanding eller et mindre kvalitetsfald.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt kompleks matematik eller programmering. De er ikke særskilt fastslåede hårde outputgrænser. Definér formatet for det endelige svar udtrykkeligt, og kontrollér beregninger eller genereret kode mod de angivne betingelser.
Video og væsentlige begrænsninger
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Producentens vejledning til video i timelængde udvider processorbudgettet til cirka 224K videotokens til hyppigere sampling. Det kræver konfiguration og bruger kontekst sammen med opgaven og svaret; det er ikke en ubetinget garanti for varighed eller perfekt genkaldelse af hændelser. Bevar relevante sceneskift og små tekster, og bed om et resultat knyttet til den synlige dokumentation. Den praktiske værdi er checkpointets fælles tekst- og billedområde og valgbare svarmodus med en konkret leverance, der kan gennemgås.
", "aboutText": "Qwen3.5s styrker: et sparsomt vision-sprogcheckpoint\n\nQwen3.5-35B-A3B er en eftertrænet vision-sprogmodel, som kombinerer forståelse af tekst, billeder og video med tekstlige svar. Familien er trænet med tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver og understøtter ræsonnementer, programmering, agenter og visuel analyse. Den beskriver også dækning af 201 sprog og dialekter. Denne dækning er en familieegenskab frem for et løfte om ens kvalitet for ethvert sprog eller enhver opgave.\n\nDet præcise åbne checkpoint er adskilt fra Qwen3.5-35B-A3B-Base og den senere Qwen3.6-udgivelse. Producenten beskriver også et administreret Flash-tilbud med yderligere funktioner; disse grænsefladefunktioner bør ikke automatisk tilskrives dette åbne checkpoint. Bevar den ønskede 35B-A3B-identitet ved sammenligning af resultater eller fastholdelse af et reproducerbart modelvalg.\n\nModeloverblik\n\nMixture-of-experts-modellen har 35 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 40 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Den har 256 routede eksperter med otte routede eksperter og én fælles ekspert aktive i den dokumenterede opbygning. En vision-encoder og multi-token prediction indgår i modellen. Det aktiverede antal beskriver ikke det komplette checkpoints størrelse, og arkitekturen alene garanterer ikke svartiden i en bestemt applikation.\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, selv om et mindre vindue ville reducere hukommelsespresset. Tekst, repræsenteret visuelt materiale, historik, ræsonnementer og det endelige svar kræver alle plads i den konfigurerede sekvens.\n\nBrug af input og svarmodi\n\nTil en programmeringsforespørgsel baseret på et skærmbillede skal du levere den visuelle reference, eksisterende kildekontekst, interaktionskrav og den forventede redigerbare leverance. For et diagram eller dokument skal du bevare etiketter og enheder og bede om en værditabel med understøttende dokumentation. Til en flersproget forklaring skal du angive målsprog og termer, der skal bevares.\n\nTænkning er aktiveret som standard og producerer en ræsonnementsblok før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. Qwen3.5 understøtter ikke officielt de gamle promptskift /think og /nothink. Dens historikvejledning bevarer endelige svar uden tænkningsindhold. Det bør holdes adskilt fra senere Qwen3.6-muligheder for bevarelse eller Qwen3.8s standardbevarelse af tidligere ræsonnementer.\n\nAgentbrug\n\nProducenten dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til repositoryorienteret arbejde. Definér tilladte operationer, relevant dokumentation og slutleverancen. Applikationen udfører værktøjer og leverer deres observationer; modellen kan bruge feedbacken til at revidere sin analyse. En planlagt kommando eller genereret patch er ikke en udført handling, og modelnavnet alene fastslår ikke adgang til aktuelle oplysninger eller filer.\n\nUltralang kontekst\n\nProducentens udvidelsesopskrift bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på to foreslås til opgaver på 524,288 tokens. Statisk skalering kan reducere ydeevnen på kortere tekst og bør derfor konfigureres, når den større kontekst er nødvendig. Organisér langt materiale med dokumentgrænser, kodeidentifikatorer og et klart spørgsmål frem for at fylde vinduet med uvedkommende dokumentation.\n\nGenereringsanbefalinger\n\nI Best Practices bruger generel tænkning temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0. 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. Til ræsonnement i direkte modus angiver Best Practices temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Hold disse opgavespecifikke forvalg adskilt; større presence penalties kan medføre sprogblanding eller et mindre kvalitetsfald.\n\nAnbefalede genereringsbudgetter er 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt kompleks matematik eller programmering. De er ikke særskilt fastslåede hårde outputgrænser. Definér formatet for det endelige svar udtrykkeligt, og kontrollér beregninger eller genereret kode mod de angivne betingelser.\n\nVideo og væsentlige begrænsninger\n\nDet understøttede videoeksempel bruger som standard to billeder pr. sekund. Producentens vejledning til video i timelængde udvider processorbudgettet til cirka 224K videotokens til hyppigere sampling. Det kræver konfiguration og bruger kontekst sammen med opgaven og svaret; det er ikke en ubetinget garanti for varighed eller perfekt genkaldelse af hændelser. Bevar relevante sceneskift og små tekster, og bed om et resultat knyttet til den synlige dokumentation. Den praktiske værdi er checkpointets fælles tekst- og billedområde og valgbare svarmodus med en konkret leverance, der kan gennemgås.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B er Qwens vision-sprogmodel med mixture-of-experts og 35 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den modtager tekst, billeder og video til ræsonnementer, programmering og værktøjsunderstøttet arbejde med tænknings- og direkte svarmodi samt 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: et sparsomt vision-sprogcheckpoint
Qwen3.5-35B-A3B er en eftertrænet vision-sprogmodel, som kombinerer forståelse af tekst, billeder og video med tekstlige svar. Familien er trænet med tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver og understøtter ræsonnementer, programmering, agenter og visuel analyse. Den beskriver også dækning af 201 sprog og dialekter. Denne dækning er en familieegenskab frem for et løfte om ens kvalitet for ethvert sprog eller enhver opgave.
Det præcise åbne checkpoint er adskilt fra Qwen3.5-35B-A3B-Base og den senere Qwen3.6-udgivelse. Producenten beskriver også et administreret Flash-tilbud med yderligere funktioner; disse grænsefladefunktioner bør ikke automatisk tilskrives dette åbne checkpoint. Bevar den ønskede 35B-A3B-identitet ved sammenligning af resultater eller fastholdelse af et reproducerbart modelvalg.
Modeloverblik
Mixture-of-experts-modellen har 35 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 40 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Den har 256 routede eksperter med otte routede eksperter og én fælles ekspert aktive i den dokumenterede opbygning. En vision-encoder og multi-token prediction indgår i modellen. Det aktiverede antal beskriver ikke det komplette checkpoints størrelse, og arkitekturen alene garanterer ikke svartiden i en bestemt applikation.
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, selv om et mindre vindue ville reducere hukommelsespresset. Tekst, repræsenteret visuelt materiale, historik, ræsonnementer og det endelige svar kræver alle plads i den konfigurerede sekvens.
Brug af input og svarmodi
Til en programmeringsforespørgsel baseret på et skærmbillede skal du levere den visuelle reference, eksisterende kildekontekst, interaktionskrav og den forventede redigerbare leverance. For et diagram eller dokument skal du bevare etiketter og enheder og bede om en værditabel med understøttende dokumentation. Til en flersproget forklaring skal du angive målsprog og termer, der skal bevares.
Tænkning er aktiveret som standard og producerer en ræsonnementsblok før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. Qwen3.5 understøtter ikke officielt de gamle promptskift /think og /nothink. Dens historikvejledning bevarer endelige svar uden tænkningsindhold. Det bør holdes adskilt fra senere Qwen3.6-muligheder for bevarelse eller Qwen3.8s standardbevarelse af tidligere ræsonnementer.
Agentbrug
Producenten dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til repositoryorienteret arbejde. Definér tilladte operationer, relevant dokumentation og slutleverancen. Applikationen udfører værktøjer og leverer deres observationer; modellen kan bruge feedbacken til at revidere sin analyse. En planlagt kommando eller genereret patch er ikke en udført handling, og modelnavnet alene fastslår ikke adgang til aktuelle oplysninger eller filer.
Ultralang kontekst
Producentens udvidelsesopskrift bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på to foreslås til opgaver på 524,288 tokens. Statisk skalering kan reducere ydeevnen på kortere tekst og bør derfor konfigureres, når den større kontekst er nødvendig. Organisér langt materiale med dokumentgrænser, kodeidentifikatorer og et klart spørgsmål frem for at fylde vinduet med uvedkommende dokumentation.
Genereringsanbefalinger
I Best Practices bruger generel tænkning temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0. 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. Til ræsonnement i direkte modus angiver Best Practices temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Hold disse opgavespecifikke forvalg adskilt; større presence penalties kan medføre sprogblanding eller et mindre kvalitetsfald.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt kompleks matematik eller programmering. De er ikke særskilt fastslåede hårde outputgrænser. Definér formatet for det endelige svar udtrykkeligt, og kontrollér beregninger eller genereret kode mod de angivne betingelser.
Video og væsentlige begrænsninger
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Producentens vejledning til video i timelængde udvider processorbudgettet til cirka 224K videotokens til hyppigere sampling. Det kræver konfiguration og bruger kontekst sammen med opgaven og svaret; det er ikke en ubetinget garanti for varighed eller perfekt genkaldelse af hændelser. Bevar relevante sceneskift og små tekster, og bed om et resultat knyttet til den synlige dokumentation. Den praktiske værdi er checkpointets fælles tekst- og billedområde og valgbare svarmodus med en konkret leverance, der kan gennemgås.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokens Output · Outputtokens $0.00366 / 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 $0.00046 / 1K tokens Output · Outputtokens $0.00366 / 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/qwen3.5-35b-a3b", "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/qwen3.5-35b-a3b',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/qwen3.5-35b-a3b',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/qwen3.5-35b-a3b
Brug metodestierne vist ovenfor.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B er Qwens vision-sprogmodel med mixture-of-experts og 35 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den modtager tekst, billeder og video til ræsonnementer, programmering og værktøjsunderstøttet arbejde med tænknings- og direkte svarmodi samt 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: et sparsomt vision-sprogcheckpoint
Qwen3.5-35B-A3B er en eftertrænet vision-sprogmodel, som kombinerer forståelse af tekst, billeder og video med tekstlige svar. Familien er trænet med tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver og understøtter ræsonnementer, programmering, agenter og visuel analyse. Den beskriver også dækning af 201 sprog og dialekter. Denne dækning er en familieegenskab frem for et løfte om ens kvalitet for ethvert sprog eller enhver opgave.
Det præcise åbne checkpoint er adskilt fra Qwen3.5-35B-A3B-Base og den senere Qwen3.6-udgivelse. Producenten beskriver også et administreret Flash-tilbud med yderligere funktioner; disse grænsefladefunktioner bør ikke automatisk tilskrives dette åbne checkpoint. Bevar den ønskede 35B-A3B-identitet ved sammenligning af resultater eller fastholdelse af et reproducerbart modelvalg.
Modeloverblik
Mixture-of-experts-modellen har 35 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 40 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Den har 256 routede eksperter med otte routede eksperter og én fælles ekspert aktive i den dokumenterede opbygning. En vision-encoder og multi-token prediction indgår i modellen. Det aktiverede antal beskriver ikke det komplette checkpoints størrelse, og arkitekturen alene garanterer ikke svartiden i en bestemt applikation.
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, selv om et mindre vindue ville reducere hukommelsespresset. Tekst, repræsenteret visuelt materiale, historik, ræsonnementer og det endelige svar kræver alle plads i den konfigurerede sekvens.
Brug af input og svarmodi
Til en programmeringsforespørgsel baseret på et skærmbillede skal du levere den visuelle reference, eksisterende kildekontekst, interaktionskrav og den forventede redigerbare leverance. For et diagram eller dokument skal du bevare etiketter og enheder og bede om en værditabel med understøttende dokumentation. Til en flersproget forklaring skal du angive målsprog og termer, der skal bevares.
Tænkning er aktiveret som standard og producerer en ræsonnementsblok før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. Qwen3.5 understøtter ikke officielt de gamle promptskift /think og /nothink. Dens historikvejledning bevarer endelige svar uden tænkningsindhold. Det bør holdes adskilt fra senere Qwen3.6-muligheder for bevarelse eller Qwen3.8s standardbevarelse af tidligere ræsonnementer.
Agentbrug
Producenten dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til repositoryorienteret arbejde. Definér tilladte operationer, relevant dokumentation og slutleverancen. Applikationen udfører værktøjer og leverer deres observationer; modellen kan bruge feedbacken til at revidere sin analyse. En planlagt kommando eller genereret patch er ikke en udført handling, og modelnavnet alene fastslår ikke adgang til aktuelle oplysninger eller filer.
Ultralang kontekst
Producentens udvidelsesopskrift bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på to foreslås til opgaver på 524,288 tokens. Statisk skalering kan reducere ydeevnen på kortere tekst og bør derfor konfigureres, når den større kontekst er nødvendig. Organisér langt materiale med dokumentgrænser, kodeidentifikatorer og et klart spørgsmål frem for at fylde vinduet med uvedkommende dokumentation.
Genereringsanbefalinger
I Best Practices bruger generel tænkning temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0. 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. Til ræsonnement i direkte modus angiver Best Practices temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Hold disse opgavespecifikke forvalg adskilt; større presence penalties kan medføre sprogblanding eller et mindre kvalitetsfald.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt kompleks matematik eller programmering. De er ikke særskilt fastslåede hårde outputgrænser. Definér formatet for det endelige svar udtrykkeligt, og kontrollér beregninger eller genereret kode mod de angivne betingelser.
Video og væsentlige begrænsninger
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Producentens vejledning til video i timelængde udvider processorbudgettet til cirka 224K videotokens til hyppigere sampling. Det kræver konfiguration og bruger kontekst sammen med opgaven og svaret; det er ikke en ubetinget garanti for varighed eller perfekt genkaldelse af hændelser. Bevar relevante sceneskift og små tekster, og bed om et resultat knyttet til den synlige dokumentation. Den praktiske værdi er checkpointets fælles tekst- og billedområde og valgbare svarmodus med en konkret leverance, der kan gennemgås.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokens Output · Outputtokens $0.00366 / 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 $0.00046 / 1K tokens Output · Outputtokens $0.00366 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-35b-a3b', '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/qwen3.5-35b-a3b', '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/qwen3.5-35b-a3b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.