Qwen3.5s styrker i den tætte 9B-udgave
Qwen3.5-9B er det eftertrænede tætte vision-sprogcheckpoint med 9 milliarder parametre. Det modtager tekst, billeder og video og returnerer tekst. Familien samler ræsonnementer, programmering, agenter og visuel forståelse gennem tidlig fusion af tekstlig og visuel træning, forstærkningslæring på gradvist mere komplekse opgaver og understøttelse af 201 sprog og dialekter. Denne sprogdækning er en familieegenskab, ikke en garanti for identisk pålidelighed for ethvert sprog eller emne.
Til flersproget dokumentarbejde skal du angive målsproget, bevare tekniske termer og bede resultatet identificere de kildefelter eller passager, det bruger. Til et visuelt spørgsmål skal du levere et læsbart billede og en præcis opgave. Til en mindre programmeringsforespørgsel skal du angive input, ønsket adfærd og relevant kode. Modellen genererer ikke billeder eller videoer, når den analyserer visuelt materiale.
Modeloverblik
Denne præcise 9B-model er tæt med 32 sprogmodellag og en vision-encoder. Dens hybride opbygning gentager tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk. Multi-token prediction indgår i træningen. Familien indeholder også sparsomme ekspertmodeller, men deres beskrivelser af samlede versus aktiverede parametre bør ikke anvendes på denne tætte udgave.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Modellens konfiguration og numeriske størrelse bør holdes adskilt fra dens Base-checkpoint, andre Qwen3.5-størrelser og kvantiserede builds. Et mindre parameterantal identificerer udgaven; det fastslår ikke i sig selv en universel svartid eller kvalitetsrangering. Til komplekse tænkningsopgaver anbefaler Qwen om muligt at bevare en konfigureret kontekst på mindst 128K tokens.
Input og svarmodi
Producenten viser spørgsmål med kun tekst, billeder og video. Stil et dokumentspørgsmål med den relevante side og forventede felter eller et videospørgsmål med den relevante hændelse og tidsperiode. Bevar etiketter, enheder og billedrækkefølge. Bed om et resultat, der kan sammenlignes med kilden, eksempelvis en tabel over udtrukne værdier eller en forklaring, der henviser til den synlige dokumentation.
Tænkning er aktiveret som standard. enable_thinking kan deaktivere ræsonnementer for et direkte svar, mens de ældre promptskift /think og /nothink ikke officielt understøttes. Brug producentens skabelon, og hold ræsonnementer adskilt fra slutteksten, når grænsefladen leverer begge dele. Qwen3.5s historikanbefaling er at bevare endelige svar uden deres tænkningsindhold; nyere adfærd for bevarelse af historik bør ikke overføres til denne udgivelse.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent, herunder konfigurerede eller MCP-tilsluttede værktøjer, og Qwen Code til programmeringsagentarbejde. Angiv de tilladte værktøjer og det observerbare resultat. Et tilsluttet værktøj kan levere en beregning, kildehentning eller faktisk udførelsesfeedback; modellen kan derefter bruge informationen i svaret. Værktøjerne og eksterne handlinger tilhører applikationen, så modelnavnet alene fastslår ikke adgang eller udførelse.
Ultralang tekst
Den dokumenterede udvidelse bruger YaRN med dette checkpoints egne positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; til 524,288 tokens foreslår producenten en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for længere kontekst. Input, visuelle repræsentationer, historik, ræsonnementer og endeligt output deler sekvensbudgettet. Organisér langt materiale efter dokument- eller kodeidentifikator, og efterlad plads til den ønskede leverance.
Genereringsanbefalinger
Modelkortets Best Practices skelner mellem flere forvalg. Generel tænkning bruger 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 ræsonnementsopgaver med direkte svar anbefaler Best Practices i stedet temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Det er opgavespecifikke opskrifter, ikke værdier, der skal blandes vilkårligt. Større presence penalties kan medføre sprogblanding eller et mindre kvalitetsfald.
Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste forespørgsler og 81,920 til usædvanligt komplekse matematik- eller programmeringsspørgsmål. Det er anbefalinger frem for selvstændige hårde outputgrænser. Angiv svarformatet, eksempelvis et afgrænset matematisk resultat eller et svarfelt, og kontrollér konklusionen mod kilden.
Videodetaljer og væsentlige begrænsninger
Producentens videoeksempel bruger som standard to billeder pr. sekund i det understøttede forløb. Vejledningen til materiale i timelængde udvider videoprocessorens budget til cirka 224K videotokens til hyppigere sampling. Det er konfigurationsafhængige eksempler, ikke en universel garanti for varighed eller hændelsestiming. Hold små tekster og vigtige sceneskift læsbare, og kontrollér udtrukket tekst, beregninger og genereret kode, før resultatet bruges. 9B-udgavens praktiske værdi er dens dokumenterede fælles tekst- og billedopgaveområde og styrbare svarmodus med dens præcise tætte identitet bevaret.
", "aboutText": "Qwen3.5s styrker i den tætte 9B-udgave\n\nQwen3.5-9B er det eftertrænede tætte vision-sprogcheckpoint med 9 milliarder parametre. Det modtager tekst, billeder og video og returnerer tekst. Familien samler ræsonnementer, programmering, agenter og visuel forståelse gennem tidlig fusion af tekstlig og visuel træning, forstærkningslæring på gradvist mere komplekse opgaver og understøttelse af 201 sprog og dialekter. Denne sprogdækning er en familieegenskab, ikke en garanti for identisk pålidelighed for ethvert sprog eller emne.\n\nTil flersproget dokumentarbejde skal du angive målsproget, bevare tekniske termer og bede resultatet identificere de kildefelter eller passager, det bruger. Til et visuelt spørgsmål skal du levere et læsbart billede og en præcis opgave. Til en mindre programmeringsforespørgsel skal du angive input, ønsket adfærd og relevant kode. Modellen genererer ikke billeder eller videoer, når den analyserer visuelt materiale.\n\nModeloverblik\n\nDenne præcise 9B-model er tæt med 32 sprogmodellag og en vision-encoder. Dens hybride opbygning gentager tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk. Multi-token prediction indgår i træningen. Familien indeholder også sparsomme ekspertmodeller, men deres beskrivelser af samlede versus aktiverede parametre bør ikke anvendes på denne tætte udgave.\n\nDen indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Modellens konfiguration og numeriske størrelse bør holdes adskilt fra dens Base-checkpoint, andre Qwen3.5-størrelser og kvantiserede builds. Et mindre parameterantal identificerer udgaven; det fastslår ikke i sig selv en universel svartid eller kvalitetsrangering. Til komplekse tænkningsopgaver anbefaler Qwen om muligt at bevare en konfigureret kontekst på mindst 128K tokens.\n\nInput og svarmodi\n\nProducenten viser spørgsmål med kun tekst, billeder og video. Stil et dokumentspørgsmål med den relevante side og forventede felter eller et videospørgsmål med den relevante hændelse og tidsperiode. Bevar etiketter, enheder og billedrækkefølge. Bed om et resultat, der kan sammenlignes med kilden, eksempelvis en tabel over udtrukne værdier eller en forklaring, der henviser til den synlige dokumentation.\n\nTænkning er aktiveret som standard. enable_thinking kan deaktivere ræsonnementer for et direkte svar, mens de ældre promptskift /think og /nothink ikke officielt understøttes. Brug producentens skabelon, og hold ræsonnementer adskilt fra slutteksten, når grænsefladen leverer begge dele. Qwen3.5s historikanbefaling er at bevare endelige svar uden deres tænkningsindhold; nyere adfærd for bevarelse af historik bør ikke overføres til denne udgivelse.\n\nAgentbrug\n\nQwen dokumenterer værktøjskald og anbefaler Qwen-Agent, herunder konfigurerede eller MCP-tilsluttede værktøjer, og Qwen Code til programmeringsagentarbejde. Angiv de tilladte værktøjer og det observerbare resultat. Et tilsluttet værktøj kan levere en beregning, kildehentning eller faktisk udførelsesfeedback; modellen kan derefter bruge informationen i svaret. Værktøjerne og eksterne handlinger tilhører applikationen, så modelnavnet alene fastslår ikke adgang eller udførelse.\n\nUltralang tekst\n\nDen dokumenterede udvidelse bruger YaRN med dette checkpoints egne positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; til 524,288 tokens foreslår producenten en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for længere kontekst. Input, visuelle repræsentationer, historik, ræsonnementer og endeligt output deler sekvensbudgettet. Organisér langt materiale efter dokument- eller kodeidentifikator, og efterlad plads til den ønskede leverance.\n\nGenereringsanbefalinger\n\nModelkortets Best Practices skelner mellem flere forvalg. Generel tænkning bruger 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 ræsonnementsopgaver med direkte svar anbefaler Best Practices i stedet temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Det er opgavespecifikke opskrifter, ikke værdier, der skal blandes vilkårligt. Større presence penalties kan medføre sprogblanding eller et mindre kvalitetsfald.\n\nQwen anbefaler et genereringsbudget på 32,768 tokens til de fleste forespørgsler og 81,920 til usædvanligt komplekse matematik- eller programmeringsspørgsmål. Det er anbefalinger frem for selvstændige hårde outputgrænser. Angiv svarformatet, eksempelvis et afgrænset matematisk resultat eller et svarfelt, og kontrollér konklusionen mod kilden.\n\nVideodetaljer og væsentlige begrænsninger\n\nProducentens videoeksempel bruger som standard to billeder pr. sekund i det understøttede forløb. Vejledningen til materiale i timelængde udvider videoprocessorens budget til cirka 224K videotokens til hyppigere sampling. Det er konfigurationsafhængige eksempler, ikke en universel garanti for varighed eller hændelsestiming. Hold små tekster og vigtige sceneskift læsbare, og kontrollér udtrukket tekst, beregninger og genereret kode, før resultatet bruges. 9B-udgavens praktiske værdi er dens dokumenterede fælles tekst- og billedopgaveområde og styrbare svarmodus med dens præcise tætte identitet bevaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B er Qwens tætte vision-sprogmodel med 9 milliarder parametre til tekst, billeder og video med tekst som output. Den kombinerer ræsonnementer, programmering, værktøjskald og flersproget arbejde med valgfri tænkning og en indbygget kontekst på 262,144 tokens, som kan udvides via konfiguration.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.5s styrker i den tætte 9B-udgave
Qwen3.5-9B er det eftertrænede tætte vision-sprogcheckpoint med 9 milliarder parametre. Det modtager tekst, billeder og video og returnerer tekst. Familien samler ræsonnementer, programmering, agenter og visuel forståelse gennem tidlig fusion af tekstlig og visuel træning, forstærkningslæring på gradvist mere komplekse opgaver og understøttelse af 201 sprog og dialekter. Denne sprogdækning er en familieegenskab, ikke en garanti for identisk pålidelighed for ethvert sprog eller emne.
Til flersproget dokumentarbejde skal du angive målsproget, bevare tekniske termer og bede resultatet identificere de kildefelter eller passager, det bruger. Til et visuelt spørgsmål skal du levere et læsbart billede og en præcis opgave. Til en mindre programmeringsforespørgsel skal du angive input, ønsket adfærd og relevant kode. Modellen genererer ikke billeder eller videoer, når den analyserer visuelt materiale.
Modeloverblik
Denne præcise 9B-model er tæt med 32 sprogmodellag og en vision-encoder. Dens hybride opbygning gentager tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk. Multi-token prediction indgår i træningen. Familien indeholder også sparsomme ekspertmodeller, men deres beskrivelser af samlede versus aktiverede parametre bør ikke anvendes på denne tætte udgave.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Modellens konfiguration og numeriske størrelse bør holdes adskilt fra dens Base-checkpoint, andre Qwen3.5-størrelser og kvantiserede builds. Et mindre parameterantal identificerer udgaven; det fastslår ikke i sig selv en universel svartid eller kvalitetsrangering. Til komplekse tænkningsopgaver anbefaler Qwen om muligt at bevare en konfigureret kontekst på mindst 128K tokens.
Input og svarmodi
Producenten viser spørgsmål med kun tekst, billeder og video. Stil et dokumentspørgsmål med den relevante side og forventede felter eller et videospørgsmål med den relevante hændelse og tidsperiode. Bevar etiketter, enheder og billedrækkefølge. Bed om et resultat, der kan sammenlignes med kilden, eksempelvis en tabel over udtrukne værdier eller en forklaring, der henviser til den synlige dokumentation.
Tænkning er aktiveret som standard. enable_thinking kan deaktivere ræsonnementer for et direkte svar, mens de ældre promptskift /think og /nothink ikke officielt understøttes. Brug producentens skabelon, og hold ræsonnementer adskilt fra slutteksten, når grænsefladen leverer begge dele. Qwen3.5s historikanbefaling er at bevare endelige svar uden deres tænkningsindhold; nyere adfærd for bevarelse af historik bør ikke overføres til denne udgivelse.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent, herunder konfigurerede eller MCP-tilsluttede værktøjer, og Qwen Code til programmeringsagentarbejde. Angiv de tilladte værktøjer og det observerbare resultat. Et tilsluttet værktøj kan levere en beregning, kildehentning eller faktisk udførelsesfeedback; modellen kan derefter bruge informationen i svaret. Værktøjerne og eksterne handlinger tilhører applikationen, så modelnavnet alene fastslår ikke adgang eller udførelse.
Ultralang tekst
Den dokumenterede udvidelse bruger YaRN med dette checkpoints egne positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; til 524,288 tokens foreslår producenten en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for længere kontekst. Input, visuelle repræsentationer, historik, ræsonnementer og endeligt output deler sekvensbudgettet. Organisér langt materiale efter dokument- eller kodeidentifikator, og efterlad plads til den ønskede leverance.
Genereringsanbefalinger
Modelkortets Best Practices skelner mellem flere forvalg. Generel tænkning bruger 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 ræsonnementsopgaver med direkte svar anbefaler Best Practices i stedet temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Det er opgavespecifikke opskrifter, ikke værdier, der skal blandes vilkårligt. Større presence penalties kan medføre sprogblanding eller et mindre kvalitetsfald.
Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste forespørgsler og 81,920 til usædvanligt komplekse matematik- eller programmeringsspørgsmål. Det er anbefalinger frem for selvstændige hårde outputgrænser. Angiv svarformatet, eksempelvis et afgrænset matematisk resultat eller et svarfelt, og kontrollér konklusionen mod kilden.
Videodetaljer og væsentlige begrænsninger
Producentens videoeksempel bruger som standard to billeder pr. sekund i det understøttede forløb. Vejledningen til materiale i timelængde udvider videoprocessorens budget til cirka 224K videotokens til hyppigere sampling. Det er konfigurationsafhængige eksempler, ikke en universel garanti for varighed eller hændelsestiming. Hold små tekster og vigtige sceneskift læsbare, og kontrollér udtrukket tekst, beregninger og genereret kode, før resultatet bruges. 9B-udgavens praktiske værdi er dens dokumenterede fælles tekst- og billedopgaveområde og styrbare svarmodus med dens præcise tætte identitet bevaret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-9b | 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 $0.0002 / 1K tokens Output · Outputtokens $0.0003 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 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 $0.0002 / 1K tokens Output · Outputtokens $0.0003 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Brug metodestierne vist ovenfor.
qwen/qwen3.5-9bQwen3.5-9B er Qwens tætte vision-sprogmodel med 9 milliarder parametre til tekst, billeder og video med tekst som output. Den kombinerer ræsonnementer, programmering, værktøjskald og flersproget arbejde med valgfri tænkning og en indbygget kontekst på 262,144 tokens, som kan udvides via konfiguration.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.5s styrker i den tætte 9B-udgave
Qwen3.5-9B er det eftertrænede tætte vision-sprogcheckpoint med 9 milliarder parametre. Det modtager tekst, billeder og video og returnerer tekst. Familien samler ræsonnementer, programmering, agenter og visuel forståelse gennem tidlig fusion af tekstlig og visuel træning, forstærkningslæring på gradvist mere komplekse opgaver og understøttelse af 201 sprog og dialekter. Denne sprogdækning er en familieegenskab, ikke en garanti for identisk pålidelighed for ethvert sprog eller emne.
Til flersproget dokumentarbejde skal du angive målsproget, bevare tekniske termer og bede resultatet identificere de kildefelter eller passager, det bruger. Til et visuelt spørgsmål skal du levere et læsbart billede og en præcis opgave. Til en mindre programmeringsforespørgsel skal du angive input, ønsket adfærd og relevant kode. Modellen genererer ikke billeder eller videoer, når den analyserer visuelt materiale.
Modeloverblik
Denne præcise 9B-model er tæt med 32 sprogmodellag og en vision-encoder. Dens hybride opbygning gentager tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk. Multi-token prediction indgår i træningen. Familien indeholder også sparsomme ekspertmodeller, men deres beskrivelser af samlede versus aktiverede parametre bør ikke anvendes på denne tætte udgave.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Modellens konfiguration og numeriske størrelse bør holdes adskilt fra dens Base-checkpoint, andre Qwen3.5-størrelser og kvantiserede builds. Et mindre parameterantal identificerer udgaven; det fastslår ikke i sig selv en universel svartid eller kvalitetsrangering. Til komplekse tænkningsopgaver anbefaler Qwen om muligt at bevare en konfigureret kontekst på mindst 128K tokens.
Input og svarmodi
Producenten viser spørgsmål med kun tekst, billeder og video. Stil et dokumentspørgsmål med den relevante side og forventede felter eller et videospørgsmål med den relevante hændelse og tidsperiode. Bevar etiketter, enheder og billedrækkefølge. Bed om et resultat, der kan sammenlignes med kilden, eksempelvis en tabel over udtrukne værdier eller en forklaring, der henviser til den synlige dokumentation.
Tænkning er aktiveret som standard. enable_thinking kan deaktivere ræsonnementer for et direkte svar, mens de ældre promptskift /think og /nothink ikke officielt understøttes. Brug producentens skabelon, og hold ræsonnementer adskilt fra slutteksten, når grænsefladen leverer begge dele. Qwen3.5s historikanbefaling er at bevare endelige svar uden deres tænkningsindhold; nyere adfærd for bevarelse af historik bør ikke overføres til denne udgivelse.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent, herunder konfigurerede eller MCP-tilsluttede værktøjer, og Qwen Code til programmeringsagentarbejde. Angiv de tilladte værktøjer og det observerbare resultat. Et tilsluttet værktøj kan levere en beregning, kildehentning eller faktisk udførelsesfeedback; modellen kan derefter bruge informationen i svaret. Værktøjerne og eksterne handlinger tilhører applikationen, så modelnavnet alene fastslår ikke adgang eller udførelse.
Ultralang tekst
Den dokumenterede udvidelse bruger YaRN med dette checkpoints egne positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; til 524,288 tokens foreslår producenten en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for længere kontekst. Input, visuelle repræsentationer, historik, ræsonnementer og endeligt output deler sekvensbudgettet. Organisér langt materiale efter dokument- eller kodeidentifikator, og efterlad plads til den ønskede leverance.
Genereringsanbefalinger
Modelkortets Best Practices skelner mellem flere forvalg. Generel tænkning bruger 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 ræsonnementsopgaver med direkte svar anbefaler Best Practices i stedet temperature 1.0, top_p 1.0, top_k 40 og presence penalty 2.0. Det er opgavespecifikke opskrifter, ikke værdier, der skal blandes vilkårligt. Større presence penalties kan medføre sprogblanding eller et mindre kvalitetsfald.
Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste forespørgsler og 81,920 til usædvanligt komplekse matematik- eller programmeringsspørgsmål. Det er anbefalinger frem for selvstændige hårde outputgrænser. Angiv svarformatet, eksempelvis et afgrænset matematisk resultat eller et svarfelt, og kontrollér konklusionen mod kilden.
Videodetaljer og væsentlige begrænsninger
Producentens videoeksempel bruger som standard to billeder pr. sekund i det understøttede forløb. Vejledningen til materiale i timelængde udvider videoprocessorens budget til cirka 224K videotokens til hyppigere sampling. Det er konfigurationsafhængige eksempler, ikke en universel garanti for varighed eller hændelsestiming. Hold små tekster og vigtige sceneskift læsbare, og kontrollér udtrukket tekst, beregninger og genereret kode, før resultatet bruges. 9B-udgavens praktiske værdi er dens dokumenterede fælles tekst- og billedopgaveområde og styrbare svarmodus med dens præcise tætte identitet bevaret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.5-9b | 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 $0.0002 / 1K tokens Output · Outputtokens $0.0003 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 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 $0.0002 / 1K tokens Output · Outputtokens $0.0003 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.