Qwen3.5s styrker: 397B-A17B-checkpointet
Qwen3.5-397B-A17B er den eftertrænede vision-sprogmodel med mixture-of-experts i Qwen3.5-familien. Den modtager tekst, billeder og video og genererer tekst: forklaringer, kodeforslag, analyser og ønskede dokumentleverancer. Familien bruger tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver til at udvikle ræsonnementer, programmering, agenter og visuel forståelse. Dens dokumenterede sprogdækning er 201 sprog og dialekter frem for et løfte om identisk pålidelighed for ethvert sprog eller specialistområde.
Producenten beskriver særskilt den administrerede Qwen3.5-Plus som et tilsvarende tilbud med yderligere produktionsfunktioner. Bevar dette åbne checkpoints egen identitet, kontekst og genereringsopskrift frem for at overtage alle administrerede funktioner eller senere Qwen-indstillinger. Den præcise 397B-A17B-udgave forbliver adskilt fra mindre tætte modeller og ekspertmodeller i samme familie.
Modeloverblik
Modellen har 397 milliarder parametre i alt og aktiverer 17 milliarder. Dens hybride opbygning med 60 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 512 routede eksperter, hvoraf modellen vælger ti sammen med én fælles ekspert. En vision-encoder og multi-token prediction indgår i modellen. Samlede parametre, aktiverede parametre og det komplette checkpoints lagerstørrelse er forskellige begreber; disse antal fastslår ikke en fast svartid.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse op til 1,010,000. Tekst, repræsenterede billeder eller video, samtalehistorik, ræsonnementer og det endelige svar deler det konfigurerede sekvensbudget. Brug det faktisk konfigurerede budget til en opgave frem for at antage, at det største dokument og det største svar automatisk kan rummes sammen.
Klargøring af tekstlig og visuel dokumentation
Til et teknisk projekt skal du levere specifikationen, relevant kode og diagrammer og definere den leverance, der skal produceres. Bed om et implementeringsforslag organiseret efter berørte komponenter og underbygget af de leverede krav. Til en dokumentsammenligning skal du bevare afsnitsidentifikatorer, tabelmærker og enheder og bede om en fundtabel med dokumentation til hver række. Til en flersproget rapport skal du angive målsproget og termer, der skal forblive uændrede.
Til et billedspørgsmål skal du bevare små etiketter og angive definitioner, der ikke findes i billedet. Til et videospørgsmål skal du udpege den relevante hændelse og bevare billedrækkefølge og tidsangivelser. Sammenlign de returnerede visuelle detaljer, citater og hændelsesbeskrivelser med de oprindelige billeder, passager og tidsstempler. Resultatet forbliver tekstlig analyse eller kode; modellens visuelle input indebærer ikke billed-, video- eller talegenerering.
Tænkning og samtalehistorik
Tænkning er aktiveret som standard og kommer før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. De ældre promptskift /think og /nothink understøttes ikke officielt til Qwen3.5. Gør slutleverancen let at finde efter ræsonnementerne, eksempelvis en afgrænset konklusion, en dokumentationstabel eller et særskilt kodeforslag.
Modelkortet anbefaler at bevare endelige svar uden tænkningsindhold i tidligere assistentbeskeder. Det adskiller sig fra muligheder og standarder for bevarelse af tidligere ræsonnementer, som blev indført i senere udgivelser. Følg dette præcise checkpoints skabelon, og hold rettelser eller værktøjsobservationer knyttet til den opgave, de opdaterer.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer og Qwen Code til programmeringsagentforløb. Angiv tilladte operationer, tilgængelig dokumentation og observerbare færdiggørelseskriterier. En applikation udfører værktøjer og leverer deres resultater; modellen kan bruge observationerne til at revidere sin plan eller forklaring. En foreslået kommando eller patch forbliver adskilt fra en handling, der faktisk er udført i miljøet.
Ultralang tekst og video
Producentens udvidelse bruger YaRN med checkpointets egne sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på 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. Organisér langt input efter dokument-, side- eller kodeidentifikator, og efterlad plads til resultatet.
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Til materiale i timelængde anbefaler producenten et større processorbudget svarende 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
Dette checkpoints Best Practices anbefaler temperature 0.6, top_p 0.95, top_k 20 og min_p 0 til tænkning og temperature 0.7, top_p 0.8, top_k 20 og min_p 0 til direkte svar. Disse præcise anbefalinger adskiller sig fra visse mindre Qwen3.5-udgaver. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentagelser, men højere værdier 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. Det er anbefalinger, ikke selvstændige hårde outputgrænser. Angiv det krævede svarformat, og kontrollér beregninger, udtrukne detaljer og foreslået kode mod kilden. Det nyttige output er en konkret tekstleverance, hvis dokumentation og antagelser kan gennemgås.
", "aboutText": "Qwen3.5s styrker: 397B-A17B-checkpointet\n\nQwen3.5-397B-A17B er den eftertrænede vision-sprogmodel med mixture-of-experts i Qwen3.5-familien. Den modtager tekst, billeder og video og genererer tekst: forklaringer, kodeforslag, analyser og ønskede dokumentleverancer. Familien bruger tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver til at udvikle ræsonnementer, programmering, agenter og visuel forståelse. Dens dokumenterede sprogdækning er 201 sprog og dialekter frem for et løfte om identisk pålidelighed for ethvert sprog eller specialistområde.\n\nProducenten beskriver særskilt den administrerede Qwen3.5-Plus som et tilsvarende tilbud med yderligere produktionsfunktioner. Bevar dette åbne checkpoints egen identitet, kontekst og genereringsopskrift frem for at overtage alle administrerede funktioner eller senere Qwen-indstillinger. Den præcise 397B-A17B-udgave forbliver adskilt fra mindre tætte modeller og ekspertmodeller i samme familie.\n\nModeloverblik\n\nModellen har 397 milliarder parametre i alt og aktiverer 17 milliarder. Dens hybride opbygning med 60 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 512 routede eksperter, hvoraf modellen vælger ti sammen med én fælles ekspert. En vision-encoder og multi-token prediction indgår i modellen. Samlede parametre, aktiverede parametre og det komplette checkpoints lagerstørrelse er forskellige begreber; disse antal fastslår ikke en fast svartid.\n\nDen indbyggede kontekst er 262,144 tokens med betinget udvidelse op til 1,010,000. Tekst, repræsenterede billeder eller video, samtalehistorik, ræsonnementer og det endelige svar deler det konfigurerede sekvensbudget. Brug det faktisk konfigurerede budget til en opgave frem for at antage, at det største dokument og det største svar automatisk kan rummes sammen.\n\nKlargøring af tekstlig og visuel dokumentation\n\nTil et teknisk projekt skal du levere specifikationen, relevant kode og diagrammer og definere den leverance, der skal produceres. Bed om et implementeringsforslag organiseret efter berørte komponenter og underbygget af de leverede krav. Til en dokumentsammenligning skal du bevare afsnitsidentifikatorer, tabelmærker og enheder og bede om en fundtabel med dokumentation til hver række. Til en flersproget rapport skal du angive målsproget og termer, der skal forblive uændrede.\n\nTil et billedspørgsmål skal du bevare små etiketter og angive definitioner, der ikke findes i billedet. Til et videospørgsmål skal du udpege den relevante hændelse og bevare billedrækkefølge og tidsangivelser. Sammenlign de returnerede visuelle detaljer, citater og hændelsesbeskrivelser med de oprindelige billeder, passager og tidsstempler. Resultatet forbliver tekstlig analyse eller kode; modellens visuelle input indebærer ikke billed-, video- eller talegenerering.\n\nTænkning og samtalehistorik\n\nTænkning er aktiveret som standard og kommer før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. De ældre promptskift /think og /nothink understøttes ikke officielt til Qwen3.5. Gør slutleverancen let at finde efter ræsonnementerne, eksempelvis en afgrænset konklusion, en dokumentationstabel eller et særskilt kodeforslag.\n\nModelkortet anbefaler at bevare endelige svar uden tænkningsindhold i tidligere assistentbeskeder. Det adskiller sig fra muligheder og standarder for bevarelse af tidligere ræsonnementer, som blev indført i senere udgivelser. Følg dette præcise checkpoints skabelon, og hold rettelser eller værktøjsobservationer knyttet til den opgave, de opdaterer.\n\nAgentbrug\n\nQwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer og Qwen Code til programmeringsagentforløb. Angiv tilladte operationer, tilgængelig dokumentation og observerbare færdiggørelseskriterier. En applikation udfører værktøjer og leverer deres resultater; modellen kan bruge observationerne til at revidere sin plan eller forklaring. En foreslået kommando eller patch forbliver adskilt fra en handling, der faktisk er udført i miljøet.\n\nUltralang tekst og video\n\nProducentens udvidelse bruger YaRN med checkpointets egne sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på 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. Organisér langt input efter dokument-, side- eller kodeidentifikator, og efterlad plads til resultatet.\n\nDet understøttede videoeksempel bruger som standard to billeder pr. sekund. Til materiale i timelængde anbefaler producenten et større processorbudget svarende 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\nDette checkpoints Best Practices anbefaler temperature 0.6, top_p 0.95, top_k 20 og min_p 0 til tænkning og temperature 0.7, top_p 0.8, top_k 20 og min_p 0 til direkte svar. Disse præcise anbefalinger adskiller sig fra visse mindre Qwen3.5-udgaver. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentagelser, men højere værdier 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. Det er anbefalinger, ikke selvstændige hårde outputgrænser. Angiv det krævede svarformat, og kontrollér beregninger, udtrukne detaljer og foreslået kode mod kilden. Det nyttige output er en konkret tekstleverance, hvis dokumentation og antagelser kan gennemgås.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B er Qwens vision-sprogmodel med mixture-of-experts og 397 milliarder parametre i alt, hvoraf 17 milliarder aktiveres. Den modtager tekst, billeder og video og returnerer tekst til ræsonnements-, programmerings- og agentopgaver 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: 397B-A17B-checkpointet
Qwen3.5-397B-A17B er den eftertrænede vision-sprogmodel med mixture-of-experts i Qwen3.5-familien. Den modtager tekst, billeder og video og genererer tekst: forklaringer, kodeforslag, analyser og ønskede dokumentleverancer. Familien bruger tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver til at udvikle ræsonnementer, programmering, agenter og visuel forståelse. Dens dokumenterede sprogdækning er 201 sprog og dialekter frem for et løfte om identisk pålidelighed for ethvert sprog eller specialistområde.
Producenten beskriver særskilt den administrerede Qwen3.5-Plus som et tilsvarende tilbud med yderligere produktionsfunktioner. Bevar dette åbne checkpoints egen identitet, kontekst og genereringsopskrift frem for at overtage alle administrerede funktioner eller senere Qwen-indstillinger. Den præcise 397B-A17B-udgave forbliver adskilt fra mindre tætte modeller og ekspertmodeller i samme familie.
Modeloverblik
Modellen har 397 milliarder parametre i alt og aktiverer 17 milliarder. Dens hybride opbygning med 60 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 512 routede eksperter, hvoraf modellen vælger ti sammen med én fælles ekspert. En vision-encoder og multi-token prediction indgår i modellen. Samlede parametre, aktiverede parametre og det komplette checkpoints lagerstørrelse er forskellige begreber; disse antal fastslår ikke en fast svartid.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse op til 1,010,000. Tekst, repræsenterede billeder eller video, samtalehistorik, ræsonnementer og det endelige svar deler det konfigurerede sekvensbudget. Brug det faktisk konfigurerede budget til en opgave frem for at antage, at det største dokument og det største svar automatisk kan rummes sammen.
Klargøring af tekstlig og visuel dokumentation
Til et teknisk projekt skal du levere specifikationen, relevant kode og diagrammer og definere den leverance, der skal produceres. Bed om et implementeringsforslag organiseret efter berørte komponenter og underbygget af de leverede krav. Til en dokumentsammenligning skal du bevare afsnitsidentifikatorer, tabelmærker og enheder og bede om en fundtabel med dokumentation til hver række. Til en flersproget rapport skal du angive målsproget og termer, der skal forblive uændrede.
Til et billedspørgsmål skal du bevare små etiketter og angive definitioner, der ikke findes i billedet. Til et videospørgsmål skal du udpege den relevante hændelse og bevare billedrækkefølge og tidsangivelser. Sammenlign de returnerede visuelle detaljer, citater og hændelsesbeskrivelser med de oprindelige billeder, passager og tidsstempler. Resultatet forbliver tekstlig analyse eller kode; modellens visuelle input indebærer ikke billed-, video- eller talegenerering.
Tænkning og samtalehistorik
Tænkning er aktiveret som standard og kommer før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. De ældre promptskift /think og /nothink understøttes ikke officielt til Qwen3.5. Gør slutleverancen let at finde efter ræsonnementerne, eksempelvis en afgrænset konklusion, en dokumentationstabel eller et særskilt kodeforslag.
Modelkortet anbefaler at bevare endelige svar uden tænkningsindhold i tidligere assistentbeskeder. Det adskiller sig fra muligheder og standarder for bevarelse af tidligere ræsonnementer, som blev indført i senere udgivelser. Følg dette præcise checkpoints skabelon, og hold rettelser eller værktøjsobservationer knyttet til den opgave, de opdaterer.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer og Qwen Code til programmeringsagentforløb. Angiv tilladte operationer, tilgængelig dokumentation og observerbare færdiggørelseskriterier. En applikation udfører værktøjer og leverer deres resultater; modellen kan bruge observationerne til at revidere sin plan eller forklaring. En foreslået kommando eller patch forbliver adskilt fra en handling, der faktisk er udført i miljøet.
Ultralang tekst og video
Producentens udvidelse bruger YaRN med checkpointets egne sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på 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. Organisér langt input efter dokument-, side- eller kodeidentifikator, og efterlad plads til resultatet.
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Til materiale i timelængde anbefaler producenten et større processorbudget svarende 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
Dette checkpoints Best Practices anbefaler temperature 0.6, top_p 0.95, top_k 20 og min_p 0 til tænkning og temperature 0.7, top_p 0.8, top_k 20 og min_p 0 til direkte svar. Disse præcise anbefalinger adskiller sig fra visse mindre Qwen3.5-udgaver. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentagelser, men højere værdier 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. Det er anbefalinger, ikke selvstændige hårde outputgrænser. Angiv det krævede svarformat, og kontrollér beregninger, udtrukne detaljer og foreslået kode mod kilden. Det nyttige output er en konkret tekstleverance, hvis dokumentation og antagelser kan gennemgås.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K tokens Output · Outputtokens $0.00468 / 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 $0.00078 / 1K tokens Output · Outputtokens $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Brug metodestierne vist ovenfor.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B er Qwens vision-sprogmodel med mixture-of-experts og 397 milliarder parametre i alt, hvoraf 17 milliarder aktiveres. Den modtager tekst, billeder og video og returnerer tekst til ræsonnements-, programmerings- og agentopgaver 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: 397B-A17B-checkpointet
Qwen3.5-397B-A17B er den eftertrænede vision-sprogmodel med mixture-of-experts i Qwen3.5-familien. Den modtager tekst, billeder og video og genererer tekst: forklaringer, kodeforslag, analyser og ønskede dokumentleverancer. Familien bruger tidlig fusion af tekst og billeder samt forstærkningslæring på gradvist mere komplekse opgaver til at udvikle ræsonnementer, programmering, agenter og visuel forståelse. Dens dokumenterede sprogdækning er 201 sprog og dialekter frem for et løfte om identisk pålidelighed for ethvert sprog eller specialistområde.
Producenten beskriver særskilt den administrerede Qwen3.5-Plus som et tilsvarende tilbud med yderligere produktionsfunktioner. Bevar dette åbne checkpoints egen identitet, kontekst og genereringsopskrift frem for at overtage alle administrerede funktioner eller senere Qwen-indstillinger. Den præcise 397B-A17B-udgave forbliver adskilt fra mindre tætte modeller og ekspertmodeller i samme familie.
Modeloverblik
Modellen har 397 milliarder parametre i alt og aktiverer 17 milliarder. Dens hybride opbygning med 60 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 512 routede eksperter, hvoraf modellen vælger ti sammen med én fælles ekspert. En vision-encoder og multi-token prediction indgår i modellen. Samlede parametre, aktiverede parametre og det komplette checkpoints lagerstørrelse er forskellige begreber; disse antal fastslår ikke en fast svartid.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse op til 1,010,000. Tekst, repræsenterede billeder eller video, samtalehistorik, ræsonnementer og det endelige svar deler det konfigurerede sekvensbudget. Brug det faktisk konfigurerede budget til en opgave frem for at antage, at det største dokument og det største svar automatisk kan rummes sammen.
Klargøring af tekstlig og visuel dokumentation
Til et teknisk projekt skal du levere specifikationen, relevant kode og diagrammer og definere den leverance, der skal produceres. Bed om et implementeringsforslag organiseret efter berørte komponenter og underbygget af de leverede krav. Til en dokumentsammenligning skal du bevare afsnitsidentifikatorer, tabelmærker og enheder og bede om en fundtabel med dokumentation til hver række. Til en flersproget rapport skal du angive målsproget og termer, der skal forblive uændrede.
Til et billedspørgsmål skal du bevare små etiketter og angive definitioner, der ikke findes i billedet. Til et videospørgsmål skal du udpege den relevante hændelse og bevare billedrækkefølge og tidsangivelser. Sammenlign de returnerede visuelle detaljer, citater og hændelsesbeskrivelser med de oprindelige billeder, passager og tidsstempler. Resultatet forbliver tekstlig analyse eller kode; modellens visuelle input indebærer ikke billed-, video- eller talegenerering.
Tænkning og samtalehistorik
Tænkning er aktiveret som standard og kommer før det endelige svar. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. De ældre promptskift /think og /nothink understøttes ikke officielt til Qwen3.5. Gør slutleverancen let at finde efter ræsonnementerne, eksempelvis en afgrænset konklusion, en dokumentationstabel eller et særskilt kodeforslag.
Modelkortet anbefaler at bevare endelige svar uden tænkningsindhold i tidligere assistentbeskeder. Det adskiller sig fra muligheder og standarder for bevarelse af tidligere ræsonnementer, som blev indført i senere udgivelser. Følg dette præcise checkpoints skabelon, og hold rettelser eller værktøjsobservationer knyttet til den opgave, de opdaterer.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer og Qwen Code til programmeringsagentforløb. Angiv tilladte operationer, tilgængelig dokumentation og observerbare færdiggørelseskriterier. En applikation udfører værktøjer og leverer deres resultater; modellen kan bruge observationerne til at revidere sin plan eller forklaring. En foreslået kommando eller patch forbliver adskilt fra en handling, der faktisk er udført i miljøet.
Ultralang tekst og video
Producentens udvidelse bruger YaRN med checkpointets egne sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; en faktor på 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. Organisér langt input efter dokument-, side- eller kodeidentifikator, og efterlad plads til resultatet.
Det understøttede videoeksempel bruger som standard to billeder pr. sekund. Til materiale i timelængde anbefaler producenten et større processorbudget svarende 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
Dette checkpoints Best Practices anbefaler temperature 0.6, top_p 0.95, top_k 20 og min_p 0 til tænkning og temperature 0.7, top_p 0.8, top_k 20 og min_p 0 til direkte svar. Disse præcise anbefalinger adskiller sig fra visse mindre Qwen3.5-udgaver. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentagelser, men højere værdier 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. Det er anbefalinger, ikke selvstændige hårde outputgrænser. Angiv det krævede svarformat, og kontrollér beregninger, udtrukne detaljer og foreslået kode mod kilden. Det nyttige output er en konkret tekstleverance, hvis dokumentation og antagelser kan gennemgås.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K tokens Output · Outputtokens $0.00468 / 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 $0.00078 / 1K tokens Output · Outputtokens $0.00468 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.