Qwen3.6s styrker: programmering og ræsonnementskontinuitet
Qwen3.6-35B-A3B er en vision-sprogmodel med fokus på nyttig programmering og agentarbejde. Qwen fremhæver stærkere frontendforløb og ræsonnement på repositoryniveau samt en ny mulighed for at bevare tænkning fra tidligere beskeder. Den modtager tekst, billeder og video og returnerer tekst: en forklaring, et kodeforslag, en struktureret analyse eller en anden ønsket tekstleverance. Bevar denne præcise 35B-A3B-udgave frem for at behandle den som den tætte Qwen3.6-27B eller dens tidligere Qwen3.5-modstykke.
Til en frontendopgave skal du angive det relevante skærmbillede, funktionelle krav og eksisterende kodekontekst. Bed om redigerbar kildekode og en beskrivelse af de tilsigtede tilstande og interaktioner. Til en repositoryopgave skal du udpege den berørte funktion, det input, der viser et problem, og den forventede adfærd. Bed om et patchforslag med dets antagelser og relevante kontroller.
Modeloverblik
Mixture-of-experts-modellen har 35 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 40 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Den har 256 routede eksperter og vælger otte routede eksperter med én fælles ekspert; multi-token prediction indgår i træningen. Det lavere aktiverede antal beskriver ikke hele checkpointets størrelse. En vision-encoder leverer modellens visuelle del.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Producenten anbefaler om muligt at bevare en kontekst på mindst 128K til komplekse tænkningsopgaver, selv om en reduktion ville lette hukommelsespresset. Kildetekst, repræsenteret visuelt materiale, tidligere beskeder, ræsonnementer og det endelige svar deler det konfigurerede sekvensbudget.
Brug af input og svarmodi
Modelkortet viser tekst-, billed- og videospørgsmål. For et diagram eller en side skal du bevare etiketterne og definere det præcise spørgsmål. For et klip skal du bevare tidsangivelser og angive den relevante hændelse. Producentens understøttede videoeksempel bruger som standard to billeder pr. sekund og tillader konfiguration af sampling. Opskriften for bedste praksis udvider videoprocessorens budget til cirka 224K videotokens til analyse i timelængde med hyppigere sampling; det er et konfigurationseksempel frem for en hård universel kliplængdegrænse.
Tænkning er aktiveret som standard. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. Qwen3.6 understøtter ikke officielt de ældre Qwen3-promptskift /think og /nothink. Adskil ræsonnementerne fra slutleverancen ved præsentation af et resultat, og følg dette checkpoints egen grænseflade frem for at antage, at promptmarkører eller indstillinger fra en anden generation gælder.
Bevarelse af tidligere tænkning
Som standard bevarer skabelonen tænkeblokke knyttet til den seneste brugerbesked. Qwen3.6 er desuden trænet til at bruge tidligere ræsonnementer, når preserve_thinking er aktiveret. Dens udtrykkelige eksempel sætter denne indstilling til true. Det kan hjælpe en iterativ agentopgave med at bevare beslutningskontekst frem for gentagne gange at udlede tidligere valg på ny; det ændrer også mængden af historik i forespørgslen. Indstillingens tilgængelighed afhænger af, om grænsefladen stiller producentens opskrift til rådighed.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent til konfiguration af værktøjer, herunder MCP-tilsluttede værktøjer. Qwen Code er et andet producentdokumenteret forløb for programmeringsagenter. Definér de tilladte værktøjer, opgavemålet og den forventede leverance, og returnér derefter faktiske værktøjsobservationer til modellen. Modellen kan ræsonnere om et resultat og revidere en plan; adgang til filer eller eksekveringsmiljøer kommer fra den tilsluttede applikation, ikke modelnavnet.
Ultralang tekst
Den dokumenterede kontekstudvidelse bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; til arbejdsbelastninger på 524,288 tokens foreslår Qwen en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst, så producenten anbefaler at ændre den, når længere kontekst er nødvendig. Bevar afsnits- og kodeidentifikatorer i stort input, og bed resultatet vise, hvilken dokumentation der underbygger hver konklusion.
Genereringsvejledning og begrænsninger
Til generel tænkning anbefaler producenten temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0. Til præcis programmering bliver temperature 0.6 og presence penalty nul. Til direkte svar anbefales temperature 0.7, top_p 0.8 og presence penalty 1.5 med de øvrige værdier uændret. Højere presence penalties kan mindske gentagelser, men kan blande sprog eller forringe kvaliteten en smule.
Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt komplekse matematiske opgaver eller programmeringsopgaver. Det er anbefalinger, ikke særskilt fastslåede hårde outputgrænser. Angiv slutformatet udtrykkeligt, og kontrollér kode, beregninger og udtrukne visuelle detaljer mod kilden. Ræsonnementskontinuitet og lang kontekst hjælper med at føre opgavens dokumentation videre, mens en kontrollerbar slutleverance gør resultatet nyttigt.
", "aboutText": "Qwen3.6s styrker: programmering og ræsonnementskontinuitet\n\nQwen3.6-35B-A3B er en vision-sprogmodel med fokus på nyttig programmering og agentarbejde. Qwen fremhæver stærkere frontendforløb og ræsonnement på repositoryniveau samt en ny mulighed for at bevare tænkning fra tidligere beskeder. Den modtager tekst, billeder og video og returnerer tekst: en forklaring, et kodeforslag, en struktureret analyse eller en anden ønsket tekstleverance. Bevar denne præcise 35B-A3B-udgave frem for at behandle den som den tætte Qwen3.6-27B eller dens tidligere Qwen3.5-modstykke.\n\nTil en frontendopgave skal du angive det relevante skærmbillede, funktionelle krav og eksisterende kodekontekst. Bed om redigerbar kildekode og en beskrivelse af de tilsigtede tilstande og interaktioner. Til en repositoryopgave skal du udpege den berørte funktion, det input, der viser et problem, og den forventede adfærd. Bed om et patchforslag med dets antagelser og relevante kontroller.\n\nModeloverblik\n\nMixture-of-experts-modellen har 35 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 40 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Den har 256 routede eksperter og vælger otte routede eksperter med én fælles ekspert; multi-token prediction indgår i træningen. Det lavere aktiverede antal beskriver ikke hele checkpointets størrelse. En vision-encoder leverer modellens visuelle del.\n\nDen indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Producenten anbefaler om muligt at bevare en kontekst på mindst 128K til komplekse tænkningsopgaver, selv om en reduktion ville lette hukommelsespresset. Kildetekst, repræsenteret visuelt materiale, tidligere beskeder, ræsonnementer og det endelige svar deler det konfigurerede sekvensbudget.\n\nBrug af input og svarmodi\n\nModelkortet viser tekst-, billed- og videospørgsmål. For et diagram eller en side skal du bevare etiketterne og definere det præcise spørgsmål. For et klip skal du bevare tidsangivelser og angive den relevante hændelse. Producentens understøttede videoeksempel bruger som standard to billeder pr. sekund og tillader konfiguration af sampling. Opskriften for bedste praksis udvider videoprocessorens budget til cirka 224K videotokens til analyse i timelængde med hyppigere sampling; det er et konfigurationseksempel frem for en hård universel kliplængdegrænse.\n\nTænkning er aktiveret som standard. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. Qwen3.6 understøtter ikke officielt de ældre Qwen3-promptskift /think og /nothink. Adskil ræsonnementerne fra slutleverancen ved præsentation af et resultat, og følg dette checkpoints egen grænseflade frem for at antage, at promptmarkører eller indstillinger fra en anden generation gælder.\n\nBevarelse af tidligere tænkning\n\nSom standard bevarer skabelonen tænkeblokke knyttet til den seneste brugerbesked. Qwen3.6 er desuden trænet til at bruge tidligere ræsonnementer, når preserve_thinking er aktiveret. Dens udtrykkelige eksempel sætter denne indstilling til true. Det kan hjælpe en iterativ agentopgave med at bevare beslutningskontekst frem for gentagne gange at udlede tidligere valg på ny; det ændrer også mængden af historik i forespørgslen. Indstillingens tilgængelighed afhænger af, om grænsefladen stiller producentens opskrift til rådighed.\n\nAgentbrug\n\nQwen dokumenterer værktøjskald og anbefaler Qwen-Agent til konfiguration af værktøjer, herunder MCP-tilsluttede værktøjer. Qwen Code er et andet producentdokumenteret forløb for programmeringsagenter. Definér de tilladte værktøjer, opgavemålet og den forventede leverance, og returnér derefter faktiske værktøjsobservationer til modellen. Modellen kan ræsonnere om et resultat og revidere en plan; adgang til filer eller eksekveringsmiljøer kommer fra den tilsluttede applikation, ikke modelnavnet.\n\nUltralang tekst\n\nDen dokumenterede kontekstudvidelse bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; til arbejdsbelastninger på 524,288 tokens foreslår Qwen en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst, så producenten anbefaler at ændre den, når længere kontekst er nødvendig. Bevar afsnits- og kodeidentifikatorer i stort input, og bed resultatet vise, hvilken dokumentation der underbygger hver konklusion.\n\nGenereringsvejledning og begrænsninger\n\nTil generel tænkning anbefaler producenten temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0. Til præcis programmering bliver temperature 0.6 og presence penalty nul. Til direkte svar anbefales temperature 0.7, top_p 0.8 og presence penalty 1.5 med de øvrige værdier uændret. Højere presence penalties kan mindske gentagelser, men kan blande sprog eller forringe kvaliteten en smule.\n\nQwen anbefaler et genereringsbudget på 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt komplekse matematiske opgaver eller programmeringsopgaver. Det er anbefalinger, ikke særskilt fastslåede hårde outputgrænser. Angiv slutformatet udtrykkeligt, og kontrollér kode, beregninger og udtrukne visuelle detaljer mod kilden. Ræsonnementskontinuitet og lang kontekst hjælper med at føre opgavens dokumentation videre, mens en kontrollerbar slutleverance gør resultatet nyttigt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B er Qwens vision-sprogmodel med mixture-of-experts og 35 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den fokuserer på frontend- og repositoryomfattende programmering, tilføjer valgfri bevarelse af tidligere ræsonnementer og modtager tekst, billeder og video med tekstligt output.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.6s styrker: programmering og ræsonnementskontinuitet
Qwen3.6-35B-A3B er en vision-sprogmodel med fokus på nyttig programmering og agentarbejde. Qwen fremhæver stærkere frontendforløb og ræsonnement på repositoryniveau samt en ny mulighed for at bevare tænkning fra tidligere beskeder. Den modtager tekst, billeder og video og returnerer tekst: en forklaring, et kodeforslag, en struktureret analyse eller en anden ønsket tekstleverance. Bevar denne præcise 35B-A3B-udgave frem for at behandle den som den tætte Qwen3.6-27B eller dens tidligere Qwen3.5-modstykke.
Til en frontendopgave skal du angive det relevante skærmbillede, funktionelle krav og eksisterende kodekontekst. Bed om redigerbar kildekode og en beskrivelse af de tilsigtede tilstande og interaktioner. Til en repositoryopgave skal du udpege den berørte funktion, det input, der viser et problem, og den forventede adfærd. Bed om et patchforslag med dets antagelser og relevante kontroller.
Modeloverblik
Mixture-of-experts-modellen har 35 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 40 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Den har 256 routede eksperter og vælger otte routede eksperter med én fælles ekspert; multi-token prediction indgår i træningen. Det lavere aktiverede antal beskriver ikke hele checkpointets størrelse. En vision-encoder leverer modellens visuelle del.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Producenten anbefaler om muligt at bevare en kontekst på mindst 128K til komplekse tænkningsopgaver, selv om en reduktion ville lette hukommelsespresset. Kildetekst, repræsenteret visuelt materiale, tidligere beskeder, ræsonnementer og det endelige svar deler det konfigurerede sekvensbudget.
Brug af input og svarmodi
Modelkortet viser tekst-, billed- og videospørgsmål. For et diagram eller en side skal du bevare etiketterne og definere det præcise spørgsmål. For et klip skal du bevare tidsangivelser og angive den relevante hændelse. Producentens understøttede videoeksempel bruger som standard to billeder pr. sekund og tillader konfiguration af sampling. Opskriften for bedste praksis udvider videoprocessorens budget til cirka 224K videotokens til analyse i timelængde med hyppigere sampling; det er et konfigurationseksempel frem for en hård universel kliplængdegrænse.
Tænkning er aktiveret som standard. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. Qwen3.6 understøtter ikke officielt de ældre Qwen3-promptskift /think og /nothink. Adskil ræsonnementerne fra slutleverancen ved præsentation af et resultat, og følg dette checkpoints egen grænseflade frem for at antage, at promptmarkører eller indstillinger fra en anden generation gælder.
Bevarelse af tidligere tænkning
Som standard bevarer skabelonen tænkeblokke knyttet til den seneste brugerbesked. Qwen3.6 er desuden trænet til at bruge tidligere ræsonnementer, når preserve_thinking er aktiveret. Dens udtrykkelige eksempel sætter denne indstilling til true. Det kan hjælpe en iterativ agentopgave med at bevare beslutningskontekst frem for gentagne gange at udlede tidligere valg på ny; det ændrer også mængden af historik i forespørgslen. Indstillingens tilgængelighed afhænger af, om grænsefladen stiller producentens opskrift til rådighed.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent til konfiguration af værktøjer, herunder MCP-tilsluttede værktøjer. Qwen Code er et andet producentdokumenteret forløb for programmeringsagenter. Definér de tilladte værktøjer, opgavemålet og den forventede leverance, og returnér derefter faktiske værktøjsobservationer til modellen. Modellen kan ræsonnere om et resultat og revidere en plan; adgang til filer eller eksekveringsmiljøer kommer fra den tilsluttede applikation, ikke modelnavnet.
Ultralang tekst
Den dokumenterede kontekstudvidelse bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; til arbejdsbelastninger på 524,288 tokens foreslår Qwen en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst, så producenten anbefaler at ændre den, når længere kontekst er nødvendig. Bevar afsnits- og kodeidentifikatorer i stort input, og bed resultatet vise, hvilken dokumentation der underbygger hver konklusion.
Genereringsvejledning og begrænsninger
Til generel tænkning anbefaler producenten temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0. Til præcis programmering bliver temperature 0.6 og presence penalty nul. Til direkte svar anbefales temperature 0.7, top_p 0.8 og presence penalty 1.5 med de øvrige værdier uændret. Højere presence penalties kan mindske gentagelser, men kan blande sprog eller forringe kvaliteten en smule.
Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt komplekse matematiske opgaver eller programmeringsopgaver. Det er anbefalinger, ikke særskilt fastslåede hårde outputgrænser. Angiv slutformatet udtrykkeligt, og kontrollér kode, beregninger og udtrukne visuelle detaljer mod kilden. Ræsonnementskontinuitet og lang kontekst hjælper med at føre opgavens dokumentation videre, mens en kontrollerbar slutleverance gør resultatet nyttigt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.6-35b-a3b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000566 / 1K tokens Output · Outputtokens $0.00341 / 1K tokens Input · Cachelæsning $0.0001 / 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 $0.000566 / 1K tokens Output · Outputtokens $0.00341 / 1K tokens Input · Cachelæsning $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Brug metodestierne vist ovenfor.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B er Qwens vision-sprogmodel med mixture-of-experts og 35 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den fokuserer på frontend- og repositoryomfattende programmering, tilføjer valgfri bevarelse af tidligere ræsonnementer og modtager tekst, billeder og video med tekstligt output.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.6s styrker: programmering og ræsonnementskontinuitet
Qwen3.6-35B-A3B er en vision-sprogmodel med fokus på nyttig programmering og agentarbejde. Qwen fremhæver stærkere frontendforløb og ræsonnement på repositoryniveau samt en ny mulighed for at bevare tænkning fra tidligere beskeder. Den modtager tekst, billeder og video og returnerer tekst: en forklaring, et kodeforslag, en struktureret analyse eller en anden ønsket tekstleverance. Bevar denne præcise 35B-A3B-udgave frem for at behandle den som den tætte Qwen3.6-27B eller dens tidligere Qwen3.5-modstykke.
Til en frontendopgave skal du angive det relevante skærmbillede, funktionelle krav og eksisterende kodekontekst. Bed om redigerbar kildekode og en beskrivelse af de tilsigtede tilstande og interaktioner. Til en repositoryopgave skal du udpege den berørte funktion, det input, der viser et problem, og den forventede adfærd. Bed om et patchforslag med dets antagelser og relevante kontroller.
Modeloverblik
Mixture-of-experts-modellen har 35 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 40 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Den har 256 routede eksperter og vælger otte routede eksperter med én fælles ekspert; multi-token prediction indgår i træningen. Det lavere aktiverede antal beskriver ikke hele checkpointets størrelse. En vision-encoder leverer modellens visuelle del.
Den indbyggede kontekst er 262,144 tokens med betinget udvidelse til 1,010,000. Producenten anbefaler om muligt at bevare en kontekst på mindst 128K til komplekse tænkningsopgaver, selv om en reduktion ville lette hukommelsespresset. Kildetekst, repræsenteret visuelt materiale, tidligere beskeder, ræsonnementer og det endelige svar deler det konfigurerede sekvensbudget.
Brug af input og svarmodi
Modelkortet viser tekst-, billed- og videospørgsmål. For et diagram eller en side skal du bevare etiketterne og definere det præcise spørgsmål. For et klip skal du bevare tidsangivelser og angive den relevante hændelse. Producentens understøttede videoeksempel bruger som standard to billeder pr. sekund og tillader konfiguration af sampling. Opskriften for bedste praksis udvider videoprocessorens budget til cirka 224K videotokens til analyse i timelængde med hyppigere sampling; det er et konfigurationseksempel frem for en hård universel kliplængdegrænse.
Tænkning er aktiveret som standard. Producentens enable_thinking-indstilling kan deaktivere den for at give et direkte svar. Qwen3.6 understøtter ikke officielt de ældre Qwen3-promptskift /think og /nothink. Adskil ræsonnementerne fra slutleverancen ved præsentation af et resultat, og følg dette checkpoints egen grænseflade frem for at antage, at promptmarkører eller indstillinger fra en anden generation gælder.
Bevarelse af tidligere tænkning
Som standard bevarer skabelonen tænkeblokke knyttet til den seneste brugerbesked. Qwen3.6 er desuden trænet til at bruge tidligere ræsonnementer, når preserve_thinking er aktiveret. Dens udtrykkelige eksempel sætter denne indstilling til true. Det kan hjælpe en iterativ agentopgave med at bevare beslutningskontekst frem for gentagne gange at udlede tidligere valg på ny; det ændrer også mængden af historik i forespørgslen. Indstillingens tilgængelighed afhænger af, om grænsefladen stiller producentens opskrift til rådighed.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent til konfiguration af værktøjer, herunder MCP-tilsluttede værktøjer. Qwen Code er et andet producentdokumenteret forløb for programmeringsagenter. Definér de tilladte værktøjer, opgavemålet og den forventede leverance, og returnér derefter faktiske værktøjsobservationer til modellen. Modellen kan ræsonnere om et resultat og revidere en plan; adgang til filer eller eksekveringsmiljøer kommer fra den tilsluttede applikation, ikke modelnavnet.
Ultralang tekst
Den dokumenterede kontekstudvidelse bruger YaRN med checkpointets sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet på cirka en million tokens; til arbejdsbelastninger på 524,288 tokens foreslår Qwen en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst, så producenten anbefaler at ændre den, når længere kontekst er nødvendig. Bevar afsnits- og kodeidentifikatorer i stort input, og bed resultatet vise, hvilken dokumentation der underbygger hver konklusion.
Genereringsvejledning og begrænsninger
Til generel tænkning anbefaler producenten temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 og repetition penalty 1.0. Til præcis programmering bliver temperature 0.6 og presence penalty nul. Til direkte svar anbefales temperature 0.7, top_p 0.8 og presence penalty 1.5 med de øvrige værdier uændret. Højere presence penalties kan mindske gentagelser, men kan blande sprog eller forringe kvaliteten en smule.
Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt komplekse matematiske opgaver eller programmeringsopgaver. Det er anbefalinger, ikke særskilt fastslåede hårde outputgrænser. Angiv slutformatet udtrykkeligt, og kontrollér kode, beregninger og udtrukne visuelle detaljer mod kilden. Ræsonnementskontinuitet og lang kontekst hjælper med at føre opgavens dokumentation videre, mens en kontrollerbar slutleverance gør resultatet nyttigt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.6-35b-a3b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000566 / 1K tokens Output · Outputtokens $0.00341 / 1K tokens Input · Cachelæsning $0.0001 / 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 $0.000566 / 1K tokens Output · Outputtokens $0.00341 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.