Qwen3.6s styrker i en tæt 27B-model
Qwen3.6-27B er en tæt vision-sprogmodel videreudviklet fra Qwen3.5-27B. Producenten fremhæver stærkere programmeringsagenter og STEM-ræsonnement med forbedringer inden for rumlig forståelse, objektlokalisering og -detektion, dokument-OCR, videoforståelse og visuelle agenter. Den modtager tekst, billeder og video og genererer tekst. Denne præcise tætte udgave adskiller sig fra mixture-of-experts-modellen Qwen3.6-35B-A3B, selv om de deler generation og opgavefokus.
Til et STEM-diagram skal du give den fulde opgavetekst og bevare etiketter og enheder. Bed modellen skelne mellem direkte synlige fakta og antagelser og derefter returnere en forklaring med et klart endeligt svar. For et dokument skal du angive de felter eller påstande, der skal udtrækkes, og bede om understøttende sidereferencer. Til en programmeringsagent skal du angive de relevante moduler, ønsket adfærd og faktisk feedback fra det tilsluttede forløb. Eksemplerne anvender de dokumenterede evner; de er ikke påstande om præcis udtrækning eller vellykket udførelse.
Modeloverblik
Modellen har 27 milliarder parametre og 64 sprogmodellag. Dens hybride opbygning gentager tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk frem for sparsomme eksperter. En vision-encoder giver billed- og videoforståelse, og multi-token prediction indgår i træningen. Disse arkitekturfakta identificerer checkpointet uden at rangordne alle applikationers kvalitet eller svartid.
Den indbyggede kontekst er 262,144 tokens og kan udvides til 1,010,000 via konfiguration. Qwen anbefaler om muligt mindst en 128K-kontekst til komplekst ræsonnement, men anerkender, at hukommelsestryk kan kræve en lavere indstilling. Repræsenterede billeder og video, tekst, tidligere beskeder, tænkning og svaret optager alle plads i den konfigurerede sekvens.
Input og modi
Producenten viser tekst-, billed- og videospørgsmål. Tænkning er aktiveret som standard med en ræsonnementsblok før det endelige svar. enable_thinking kan deaktivere denne adfærd for at give et direkte svar. Qwen3.6 understøtter ikke officielt de ældre promptskift /think og /nothink. Gør det krævede resultat let at identificere efter forklaringen, eksempelvis en beregnet værdi, en tabel over udtrukne felter eller en redigerbar kodepatch.
Videoeksemplet bruger som standard to billeder pr. sekund i det understøttede forløb. Til video i timelængde anbefaler producenten at øge processorbudgettet for at muliggøre hyppigere sampling og giver et eksempel svarende til cirka 224K videotokens. Flere visuelle detaljer kræver mere af kontekst- og behandlingsbudgettet. Disse indstillinger fastslår ikke en ubetinget videolængde eller præcision for hændelsestidsstempler i enhver grænseflade.
Tidligere tænkning
Standardskabelonen bevarer tænkning knyttet til den seneste brugerbesked. Indstillingen preserve_thinking kan desuden bevare ræsonnementer fra tidligere beskeder; producentens udtrykkelige eksempel aktiverer den med true. Det kan støtte iterativ udvikling, hvor tidligere beslutninger stadig er relevante efter ny værktøjsfeedback. Det adskiller sig fra Qwen3.8s dokumenterede standardadfærd for bevarelse og fra Qwen3.5s vejledning om kun at bevare endelige svar i historikken. Følg det præcise checkpointformat frem for ubemærket at erstatte det med en anden generations historikregler.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til programmeringsagentarbejde. Angiv de tilladte handlinger og observerbare færdiggørelseskriterier. Et værktøj kan inspicere leveret materiale eller returnere et reelt kontrolresultat, hvorefter modellen kan revidere sin analyse. Modellen får ikke adgang til et filsystem, aktuelle kilder eller et eksekveringsmiljø alene gennem sin agentspecialisering.
Ultralangt input
Udvidelsesopskriften bruger YaRN med denne models 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 sænke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for lang kontekst. Bevar mærker for sider, funktioner og dokumentgrænser, og bed derefter om konklusioner, der identificerer den understøttende dokumentation.
Genereringsanbefalinger og begrænsninger
Modelkortets Best Practices anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0 til generel tænkning. Til præcis programmering bliver temperature 0.6. Til direkte svar er temperature 0.7, top_p 0.8 og presence penalty 1.5 med de øvrige værdier uændret. Producenten advarer om, at større presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt svære matematik- eller programmeringsopgaver. De er ikke særskilt fastslåede hårde grænser. Definér et format til det endelige svar, og kontrollér udtrukket tekst, rumlige konklusioner, beregninger og foreslået kode mod kilden. En stor kontekst og bevarede ræsonnementer hjælper med at føre dokumentation gennem opgaven; det produkt, der kan gennemgås, er fortsat det nyttige resultat.
", "aboutText": "Qwen3.6s styrker i en tæt 27B-model\n\nQwen3.6-27B er en tæt vision-sprogmodel videreudviklet fra Qwen3.5-27B. Producenten fremhæver stærkere programmeringsagenter og STEM-ræsonnement med forbedringer inden for rumlig forståelse, objektlokalisering og -detektion, dokument-OCR, videoforståelse og visuelle agenter. Den modtager tekst, billeder og video og genererer tekst. Denne præcise tætte udgave adskiller sig fra mixture-of-experts-modellen Qwen3.6-35B-A3B, selv om de deler generation og opgavefokus.\n\nTil et STEM-diagram skal du give den fulde opgavetekst og bevare etiketter og enheder. Bed modellen skelne mellem direkte synlige fakta og antagelser og derefter returnere en forklaring med et klart endeligt svar. For et dokument skal du angive de felter eller påstande, der skal udtrækkes, og bede om understøttende sidereferencer. Til en programmeringsagent skal du angive de relevante moduler, ønsket adfærd og faktisk feedback fra det tilsluttede forløb. Eksemplerne anvender de dokumenterede evner; de er ikke påstande om præcis udtrækning eller vellykket udførelse.\n\nModeloverblik\n\nModellen har 27 milliarder parametre og 64 sprogmodellag. Dens hybride opbygning gentager tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk frem for sparsomme eksperter. En vision-encoder giver billed- og videoforståelse, og multi-token prediction indgår i træningen. Disse arkitekturfakta identificerer checkpointet uden at rangordne alle applikationers kvalitet eller svartid.\n\nDen indbyggede kontekst er 262,144 tokens og kan udvides til 1,010,000 via konfiguration. Qwen anbefaler om muligt mindst en 128K-kontekst til komplekst ræsonnement, men anerkender, at hukommelsestryk kan kræve en lavere indstilling. Repræsenterede billeder og video, tekst, tidligere beskeder, tænkning og svaret optager alle plads i den konfigurerede sekvens.\n\nInput og modi\n\nProducenten viser tekst-, billed- og videospørgsmål. Tænkning er aktiveret som standard med en ræsonnementsblok før det endelige svar. enable_thinking kan deaktivere denne adfærd for at give et direkte svar. Qwen3.6 understøtter ikke officielt de ældre promptskift /think og /nothink. Gør det krævede resultat let at identificere efter forklaringen, eksempelvis en beregnet værdi, en tabel over udtrukne felter eller en redigerbar kodepatch.\n\nVideoeksemplet bruger som standard to billeder pr. sekund i det understøttede forløb. Til video i timelængde anbefaler producenten at øge processorbudgettet for at muliggøre hyppigere sampling og giver et eksempel svarende til cirka 224K videotokens. Flere visuelle detaljer kræver mere af kontekst- og behandlingsbudgettet. Disse indstillinger fastslår ikke en ubetinget videolængde eller præcision for hændelsestidsstempler i enhver grænseflade.\n\nTidligere tænkning\n\nStandardskabelonen bevarer tænkning knyttet til den seneste brugerbesked. Indstillingen preserve_thinking kan desuden bevare ræsonnementer fra tidligere beskeder; producentens udtrykkelige eksempel aktiverer den med true. Det kan støtte iterativ udvikling, hvor tidligere beslutninger stadig er relevante efter ny værktøjsfeedback. Det adskiller sig fra Qwen3.8s dokumenterede standardadfærd for bevarelse og fra Qwen3.5s vejledning om kun at bevare endelige svar i historikken. Følg det præcise checkpointformat frem for ubemærket at erstatte det med en anden generations historikregler.\n\nAgentbrug\n\nQwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til programmeringsagentarbejde. Angiv de tilladte handlinger og observerbare færdiggørelseskriterier. Et værktøj kan inspicere leveret materiale eller returnere et reelt kontrolresultat, hvorefter modellen kan revidere sin analyse. Modellen får ikke adgang til et filsystem, aktuelle kilder eller et eksekveringsmiljø alene gennem sin agentspecialisering.\n\nUltralangt input\n\nUdvidelsesopskriften bruger YaRN med denne models 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 sænke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for lang kontekst. Bevar mærker for sider, funktioner og dokumentgrænser, og bed derefter om konklusioner, der identificerer den understøttende dokumentation.\n\nGenereringsanbefalinger og begrænsninger\n\nModelkortets Best Practices anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0 til generel tænkning. Til præcis programmering bliver temperature 0.6. Til direkte svar er temperature 0.7, top_p 0.8 og presence penalty 1.5 med de øvrige værdier uændret. Producenten advarer om, at større presence penalties kan blande sprog eller forringe kvaliteten en smule.\n\nAnbefalede genereringsbudgetter er 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt svære matematik- eller programmeringsopgaver. De er ikke særskilt fastslåede hårde grænser. Definér et format til det endelige svar, og kontrollér udtrukket tekst, rumlige konklusioner, beregninger og foreslået kode mod kilden. En stor kontekst og bevarede ræsonnementer hjælper med at føre dokumentation gennem opgaven; det produkt, der kan gennemgås, er fortsat det nyttige resultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B er Qwens tætte vision-language-model til programmering, STEM-ræsonnement og visuel analyse. Den modtager tekst, billeder og video og returnerer tekst med valgbart ræsonnement, valgfri bevarelse af tidligere ræsonnement og en oprindelig kontekst på 262.144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.6s styrker i en tæt 27B-model
Qwen3.6-27B er en tæt vision-sprogmodel videreudviklet fra Qwen3.5-27B. Producenten fremhæver stærkere programmeringsagenter og STEM-ræsonnement med forbedringer inden for rumlig forståelse, objektlokalisering og -detektion, dokument-OCR, videoforståelse og visuelle agenter. Den modtager tekst, billeder og video og genererer tekst. Denne præcise tætte udgave adskiller sig fra mixture-of-experts-modellen Qwen3.6-35B-A3B, selv om de deler generation og opgavefokus.
Til et STEM-diagram skal du give den fulde opgavetekst og bevare etiketter og enheder. Bed modellen skelne mellem direkte synlige fakta og antagelser og derefter returnere en forklaring med et klart endeligt svar. For et dokument skal du angive de felter eller påstande, der skal udtrækkes, og bede om understøttende sidereferencer. Til en programmeringsagent skal du angive de relevante moduler, ønsket adfærd og faktisk feedback fra det tilsluttede forløb. Eksemplerne anvender de dokumenterede evner; de er ikke påstande om præcis udtrækning eller vellykket udførelse.
Modeloverblik
Modellen har 27 milliarder parametre og 64 sprogmodellag. Dens hybride opbygning gentager tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk frem for sparsomme eksperter. En vision-encoder giver billed- og videoforståelse, og multi-token prediction indgår i træningen. Disse arkitekturfakta identificerer checkpointet uden at rangordne alle applikationers kvalitet eller svartid.
Den indbyggede kontekst er 262,144 tokens og kan udvides til 1,010,000 via konfiguration. Qwen anbefaler om muligt mindst en 128K-kontekst til komplekst ræsonnement, men anerkender, at hukommelsestryk kan kræve en lavere indstilling. Repræsenterede billeder og video, tekst, tidligere beskeder, tænkning og svaret optager alle plads i den konfigurerede sekvens.
Input og modi
Producenten viser tekst-, billed- og videospørgsmål. Tænkning er aktiveret som standard med en ræsonnementsblok før det endelige svar. enable_thinking kan deaktivere denne adfærd for at give et direkte svar. Qwen3.6 understøtter ikke officielt de ældre promptskift /think og /nothink. Gør det krævede resultat let at identificere efter forklaringen, eksempelvis en beregnet værdi, en tabel over udtrukne felter eller en redigerbar kodepatch.
Videoeksemplet bruger som standard to billeder pr. sekund i det understøttede forløb. Til video i timelængde anbefaler producenten at øge processorbudgettet for at muliggøre hyppigere sampling og giver et eksempel svarende til cirka 224K videotokens. Flere visuelle detaljer kræver mere af kontekst- og behandlingsbudgettet. Disse indstillinger fastslår ikke en ubetinget videolængde eller præcision for hændelsestidsstempler i enhver grænseflade.
Tidligere tænkning
Standardskabelonen bevarer tænkning knyttet til den seneste brugerbesked. Indstillingen preserve_thinking kan desuden bevare ræsonnementer fra tidligere beskeder; producentens udtrykkelige eksempel aktiverer den med true. Det kan støtte iterativ udvikling, hvor tidligere beslutninger stadig er relevante efter ny værktøjsfeedback. Det adskiller sig fra Qwen3.8s dokumenterede standardadfærd for bevarelse og fra Qwen3.5s vejledning om kun at bevare endelige svar i historikken. Følg det præcise checkpointformat frem for ubemærket at erstatte det med en anden generations historikregler.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til programmeringsagentarbejde. Angiv de tilladte handlinger og observerbare færdiggørelseskriterier. Et værktøj kan inspicere leveret materiale eller returnere et reelt kontrolresultat, hvorefter modellen kan revidere sin analyse. Modellen får ikke adgang til et filsystem, aktuelle kilder eller et eksekveringsmiljø alene gennem sin agentspecialisering.
Ultralangt input
Udvidelsesopskriften bruger YaRN med denne models 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 sænke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for lang kontekst. Bevar mærker for sider, funktioner og dokumentgrænser, og bed derefter om konklusioner, der identificerer den understøttende dokumentation.
Genereringsanbefalinger og begrænsninger
Modelkortets Best Practices anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0 til generel tænkning. Til præcis programmering bliver temperature 0.6. Til direkte svar er temperature 0.7, top_p 0.8 og presence penalty 1.5 med de øvrige værdier uændret. Producenten advarer om, at større presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt svære matematik- eller programmeringsopgaver. De er ikke særskilt fastslåede hårde grænser. Definér et format til det endelige svar, og kontrollér udtrukket tekst, rumlige konklusioner, beregninger og foreslået kode mod kilden. En stor kontekst og bevarede ræsonnementer hjælper med at føre dokumentation gennem opgaven; det produkt, der kan gennemgås, er fortsat det nyttige resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.6-27b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0009 / 1K tokens Output · Outputtokens $0.0054 / 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 $0.0009 / 1K tokens Output · Outputtokens $0.0054 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen3.6-27b
Brug metodestierne vist ovenfor.
qwen/qwen3.6-27bQwen3.6-27B er Qwens tætte vision-language-model til programmering, STEM-ræsonnement og visuel analyse. Den modtager tekst, billeder og video og returnerer tekst med valgbart ræsonnement, valgfri bevarelse af tidligere ræsonnement og en oprindelig kontekst på 262.144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.6s styrker i en tæt 27B-model
Qwen3.6-27B er en tæt vision-sprogmodel videreudviklet fra Qwen3.5-27B. Producenten fremhæver stærkere programmeringsagenter og STEM-ræsonnement med forbedringer inden for rumlig forståelse, objektlokalisering og -detektion, dokument-OCR, videoforståelse og visuelle agenter. Den modtager tekst, billeder og video og genererer tekst. Denne præcise tætte udgave adskiller sig fra mixture-of-experts-modellen Qwen3.6-35B-A3B, selv om de deler generation og opgavefokus.
Til et STEM-diagram skal du give den fulde opgavetekst og bevare etiketter og enheder. Bed modellen skelne mellem direkte synlige fakta og antagelser og derefter returnere en forklaring med et klart endeligt svar. For et dokument skal du angive de felter eller påstande, der skal udtrækkes, og bede om understøttende sidereferencer. Til en programmeringsagent skal du angive de relevante moduler, ønsket adfærd og faktisk feedback fra det tilsluttede forløb. Eksemplerne anvender de dokumenterede evner; de er ikke påstande om præcis udtrækning eller vellykket udførelse.
Modeloverblik
Modellen har 27 milliarder parametre og 64 sprogmodellag. Dens hybride opbygning gentager tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk frem for sparsomme eksperter. En vision-encoder giver billed- og videoforståelse, og multi-token prediction indgår i træningen. Disse arkitekturfakta identificerer checkpointet uden at rangordne alle applikationers kvalitet eller svartid.
Den indbyggede kontekst er 262,144 tokens og kan udvides til 1,010,000 via konfiguration. Qwen anbefaler om muligt mindst en 128K-kontekst til komplekst ræsonnement, men anerkender, at hukommelsestryk kan kræve en lavere indstilling. Repræsenterede billeder og video, tekst, tidligere beskeder, tænkning og svaret optager alle plads i den konfigurerede sekvens.
Input og modi
Producenten viser tekst-, billed- og videospørgsmål. Tænkning er aktiveret som standard med en ræsonnementsblok før det endelige svar. enable_thinking kan deaktivere denne adfærd for at give et direkte svar. Qwen3.6 understøtter ikke officielt de ældre promptskift /think og /nothink. Gør det krævede resultat let at identificere efter forklaringen, eksempelvis en beregnet værdi, en tabel over udtrukne felter eller en redigerbar kodepatch.
Videoeksemplet bruger som standard to billeder pr. sekund i det understøttede forløb. Til video i timelængde anbefaler producenten at øge processorbudgettet for at muliggøre hyppigere sampling og giver et eksempel svarende til cirka 224K videotokens. Flere visuelle detaljer kræver mere af kontekst- og behandlingsbudgettet. Disse indstillinger fastslår ikke en ubetinget videolængde eller præcision for hændelsestidsstempler i enhver grænseflade.
Tidligere tænkning
Standardskabelonen bevarer tænkning knyttet til den seneste brugerbesked. Indstillingen preserve_thinking kan desuden bevare ræsonnementer fra tidligere beskeder; producentens udtrykkelige eksempel aktiverer den med true. Det kan støtte iterativ udvikling, hvor tidligere beslutninger stadig er relevante efter ny værktøjsfeedback. Det adskiller sig fra Qwen3.8s dokumenterede standardadfærd for bevarelse og fra Qwen3.5s vejledning om kun at bevare endelige svar i historikken. Følg det præcise checkpointformat frem for ubemærket at erstatte det med en anden generations historikregler.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent med konfigurerede eller MCP-tilsluttede værktøjer samt Qwen Code til programmeringsagentarbejde. Angiv de tilladte handlinger og observerbare færdiggørelseskriterier. Et værktøj kan inspicere leveret materiale eller returnere et reelt kontrolresultat, hvorefter modellen kan revidere sin analyse. Modellen får ikke adgang til et filsystem, aktuelle kilder eller et eksekveringsmiljø alene gennem sin agentspecialisering.
Ultralangt input
Udvidelsesopskriften bruger YaRN med denne models 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 sænke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for lang kontekst. Bevar mærker for sider, funktioner og dokumentgrænser, og bed derefter om konklusioner, der identificerer den understøttende dokumentation.
Genereringsanbefalinger og begrænsninger
Modelkortets Best Practices anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0 til generel tænkning. Til præcis programmering bliver temperature 0.6. Til direkte svar er temperature 0.7, top_p 0.8 og presence penalty 1.5 med de øvrige værdier uændret. Producenten advarer om, at større presence penalties kan blande sprog eller forringe kvaliteten en smule.
Anbefalede genereringsbudgetter er 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt svære matematik- eller programmeringsopgaver. De er ikke særskilt fastslåede hårde grænser. Definér et format til det endelige svar, og kontrollér udtrukket tekst, rumlige konklusioner, beregninger og foreslået kode mod kilden. En stor kontekst og bevarede ræsonnementer hjælper med at føre dokumentation gennem opgaven; det produkt, der kan gennemgås, er fortsat det nyttige resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.6-27b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0009 / 1K tokens Output · Outputtokens $0.0054 / 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 $0.0009 / 1K tokens Output · Outputtokens $0.0054 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen3.6-27b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.