Qwen3.5 im Überblick: das Expertenmodell 122B-A10B
Qwen3.5-122B-A10B ist ein nachtrainiertes Vision-Language-Modell für gemeinsame Text- und Bildaufgaben. Es nimmt Text, Bilder und Videos entgegen und gibt Text aus, darunter Erklärungen, Codevorschläge und angeforderte Dokumentartefakte. Die Familie entsteht durch frühe Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben und entwickelt dabei Schlussfolgern, Programmieren, Agenten und visuelles Verstehen. Sie beschreibt eine Abdeckung von 201 Sprachen und Dialekten, ohne damit identische Zuverlässigkeit für jede Sprache oder jedes Fachgebiet zu behaupten.
Eine hilfreiche Aufgabe kann eine technische Spezifikation, Diagramme und relevanten Code verbinden und das Modell auffordern, die Komponenten zu erklären und einen Implementierungsvorschlag zurückzugeben. Eine Dokumentanalyse kann einen Vergleich mit belegenden Abschnitts- oder Seitenverweisen verlangen.
Modellüberblick
Der Mixture-of-Experts-Checkpoint mit selektiver Expertenaktivierung hat insgesamt 122 Milliarden Parameter und aktiviert zehn Milliarden. Er verfügt über 48 Sprachmodellschichten mit Gruppen aus drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 256 geroutete Experten; ausgewählt werden acht geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Gesamtzahl und aktivierte Anzahl haben unterschiedliche Bedeutungen; die aktivierte Zahl ist nicht die Größe des vollständigen Checkpoints.
Diese Ausgabe ist vom dichten Qwen3.5-27B, von Qwen3.5-35B-A3B mit selektiver Expertenaktivierung und von späteren Modellgenerationen getrennt. Leiten Sie aus der Größe allein keine allgemeine Leistungs- oder Latenzrangfolge ab. Der native Kontext umfasst 262,144 Tokens und die dokumentierte Erweiterung erreicht mit entsprechender Konfiguration 1,010,000. Qwen rät, für komplexes Denken nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, berücksichtigt aber, dass Speicherdruck ein kleineres Fenster erforderlich machen kann.
Gemeinsame Vorbereitung von Text und visuellen Belegen
Erhalten Sie Diagrammbeschriftungen, Achsenbeschriftungen, Tabellenüberschriften und Einheiten. Geben Sie an, ob das Ergebnis einen Zusammenhang erklären, benannte Felder extrahieren oder Code vorschlagen soll. Wenn mehrere Quellen relevant sind, kennzeichnen Sie diese und verlangen Sie eine Ausgabe, die nach denselben Bezeichnern gegliedert ist. Trennen Sie sichtbare Fakten von Annahmen, damit eine prüfende Person den Gedankengang anhand des bereitgestellten Materials nachvollziehen kann.
Benennen Sie bei einer Programmieranfrage das beabsichtigte Verhalten, den relevanten Quellcode und eine Eingabe, die das Problem zeigt. Verlangen Sie einen bearbeitbaren Patch mit einer Erklärung der betroffenen Bedingungen und Prüfungen. Erhalten Sie bei Videos Ereignisabfolge und Zeitangaben und formulieren Sie die Frage konkret, statt eine undifferenzierte Zusammenfassung anzufordern. Das Textergebnis des Modells ist ein zu prüfender Artefaktentwurf; visuelle Eingabefähigkeit bedeutet keine Erzeugung von Bildern, Videos oder Sprache.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmäßig aktiviert; der Gedankengang steht vor der endgültigen Antwort. Die Einstellung enable_thinking des Herstellers kann ihn für direkte Antworten deaktivieren. Die alten weichen Schalter /think und /nothink werden nicht offiziell unterstützt. Qwen3.5 empfiehlt, in historischen Assistentennachrichten endgültige Antworten ohne Denkinhalte beizubehalten. Das sollte nicht allein deshalb durch Bewahrungsoptionen späterer Qwen-Generationen ersetzt werden, weil sie denselben Familiennamen tragen.
Halten Sie das fertige Ergebnis leicht auffindbar, etwa in einem festgelegten Antwortfeld, als abgegrenzten Wert oder als separates Codeartefakt. Eine direkte Antwort muss weiterhin geprüft werden; ein längerer Gedankengang ist nur dann hilfreich, wenn seine Schritte eine überprüfbare Schlussfolgerung stützen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für die Arbeit mit Programmieragenten. Definieren Sie die zulässigen Aktionen, verfügbaren Belege und Abschlusskriterien. Angebundene Werkzeuge führen Vorgänge aus und liefern Ergebnisse; das Modell verwendet diese Rückmeldungen in seiner Analyse. Ein vorgeschlagener Befehl, eine Suchabfrage oder ein Patch sollte von einer tatsächlich durch die Anwendung abgeschlossenen Aktion getrennt bleiben.
Sehr langer Kontext und Videos
Die Erweiterung des Herstellers verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für Aufgaben mit 524,288 Tokens wird zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte deshalb einem tatsächlichen Bedarf an größerem Kontext folgen. Eingabe, dargestellte visuelle Inhalte, Gesprächsverlauf, Gedankengang und endgültige Antwort nutzen alle das konfigurierte Sequenzbudget.
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller, das Prozessorbudget bei höherer Abtastrate auf ungefähr 224K Videotokens zu erhöhen. Das ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelgenauigkeit.
Generierungshinweise und inhaltliche Grenzen
Die Best Practices empfehlen temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Präsenzstrafe von 1.5 und eine Wiederholungsstrafe von 1.0 für allgemeines Denken. Präzises Programmieren verwendet temperature 0.6 und eine Präsenzstrafe von null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und eine Präsenzstrafe von 1.5; top_k ist 20, min_p ist 0 und die Wiederholungsstrafe ist 1.0. Schlussfolgern mit direkter Antwort hat eine separate Voreinstellung: temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0. Höhere Präsenzstrafen können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben; das sind keine gesondert festgelegten harten Ausgabeobergrenzen. Definieren Sie das angeforderte Format, erhalten Sie Quellbezeichner und prüfen Sie Berechnungen, extrahierte Werte und Codevorschläge anhand der ursprünglichen Belege. Das hilfreiche Ergebnis ist ein vollständiges Textartefakt, dessen Annahmen und unterstützendes Material sichtbar bleiben.
", "aboutText": "Qwen3.5 im Überblick: das Expertenmodell 122B-A10B\n\nQwen3.5-122B-A10B ist ein nachtrainiertes Vision-Language-Modell für gemeinsame Text- und Bildaufgaben. Es nimmt Text, Bilder und Videos entgegen und gibt Text aus, darunter Erklärungen, Codevorschläge und angeforderte Dokumentartefakte. Die Familie entsteht durch frühe Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben und entwickelt dabei Schlussfolgern, Programmieren, Agenten und visuelles Verstehen. Sie beschreibt eine Abdeckung von 201 Sprachen und Dialekten, ohne damit identische Zuverlässigkeit für jede Sprache oder jedes Fachgebiet zu behaupten.\n\nEine hilfreiche Aufgabe kann eine technische Spezifikation, Diagramme und relevanten Code verbinden und das Modell auffordern, die Komponenten zu erklären und einen Implementierungsvorschlag zurückzugeben. Eine Dokumentanalyse kann einen Vergleich mit belegenden Abschnitts- oder Seitenverweisen verlangen.\n\nModellüberblick\n\nDer Mixture-of-Experts-Checkpoint mit selektiver Expertenaktivierung hat insgesamt 122 Milliarden Parameter und aktiviert zehn Milliarden. Er verfügt über 48 Sprachmodellschichten mit Gruppen aus drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 256 geroutete Experten; ausgewählt werden acht geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Gesamtzahl und aktivierte Anzahl haben unterschiedliche Bedeutungen; die aktivierte Zahl ist nicht die Größe des vollständigen Checkpoints.\n\nDiese Ausgabe ist vom dichten Qwen3.5-27B, von Qwen3.5-35B-A3B mit selektiver Expertenaktivierung und von späteren Modellgenerationen getrennt. Leiten Sie aus der Größe allein keine allgemeine Leistungs- oder Latenzrangfolge ab. Der native Kontext umfasst 262,144 Tokens und die dokumentierte Erweiterung erreicht mit entsprechender Konfiguration 1,010,000. Qwen rät, für komplexes Denken nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, berücksichtigt aber, dass Speicherdruck ein kleineres Fenster erforderlich machen kann.\n\nGemeinsame Vorbereitung von Text und visuellen Belegen\n\nErhalten Sie Diagrammbeschriftungen, Achsenbeschriftungen, Tabellenüberschriften und Einheiten. Geben Sie an, ob das Ergebnis einen Zusammenhang erklären, benannte Felder extrahieren oder Code vorschlagen soll. Wenn mehrere Quellen relevant sind, kennzeichnen Sie diese und verlangen Sie eine Ausgabe, die nach denselben Bezeichnern gegliedert ist. Trennen Sie sichtbare Fakten von Annahmen, damit eine prüfende Person den Gedankengang anhand des bereitgestellten Materials nachvollziehen kann.\n\nBenennen Sie bei einer Programmieranfrage das beabsichtigte Verhalten, den relevanten Quellcode und eine Eingabe, die das Problem zeigt. Verlangen Sie einen bearbeitbaren Patch mit einer Erklärung der betroffenen Bedingungen und Prüfungen. Erhalten Sie bei Videos Ereignisabfolge und Zeitangaben und formulieren Sie die Frage konkret, statt eine undifferenzierte Zusammenfassung anzufordern. Das Textergebnis des Modells ist ein zu prüfender Artefaktentwurf; visuelle Eingabefähigkeit bedeutet keine Erzeugung von Bildern, Videos oder Sprache.\n\nDenkmodus und Gesprächsverlauf\n\nDer Denkmodus ist standardmäßig aktiviert; der Gedankengang steht vor der endgültigen Antwort. Die Einstellung enable_thinking des Herstellers kann ihn für direkte Antworten deaktivieren. Die alten weichen Schalter /think und /nothink werden nicht offiziell unterstützt. Qwen3.5 empfiehlt, in historischen Assistentennachrichten endgültige Antworten ohne Denkinhalte beizubehalten. Das sollte nicht allein deshalb durch Bewahrungsoptionen späterer Qwen-Generationen ersetzt werden, weil sie denselben Familiennamen tragen.\n\nHalten Sie das fertige Ergebnis leicht auffindbar, etwa in einem festgelegten Antwortfeld, als abgegrenzten Wert oder als separates Codeartefakt. Eine direkte Antwort muss weiterhin geprüft werden; ein längerer Gedankengang ist nur dann hilfreich, wenn seine Schritte eine überprüfbare Schlussfolgerung stützen.\n\nAgentennutzung\n\nQwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für die Arbeit mit Programmieragenten. Definieren Sie die zulässigen Aktionen, verfügbaren Belege und Abschlusskriterien. Angebundene Werkzeuge führen Vorgänge aus und liefern Ergebnisse; das Modell verwendet diese Rückmeldungen in seiner Analyse. Ein vorgeschlagener Befehl, eine Suchabfrage oder ein Patch sollte von einer tatsächlich durch die Anwendung abgeschlossenen Aktion getrennt bleiben.\n\nSehr langer Kontext und Videos\n\nDie Erweiterung des Herstellers verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für Aufgaben mit 524,288 Tokens wird zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte deshalb einem tatsächlichen Bedarf an größerem Kontext folgen. Eingabe, dargestellte visuelle Inhalte, Gesprächsverlauf, Gedankengang und endgültige Antwort nutzen alle das konfigurierte Sequenzbudget.\n\nDas unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller, das Prozessorbudget bei höherer Abtastrate auf ungefähr 224K Videotokens zu erhöhen. Das ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelgenauigkeit.\n\nGenerierungshinweise und inhaltliche Grenzen\n\nDie Best Practices empfehlen temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Präsenzstrafe von 1.5 und eine Wiederholungsstrafe von 1.0 für allgemeines Denken. Präzises Programmieren verwendet temperature 0.6 und eine Präsenzstrafe von null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und eine Präsenzstrafe von 1.5; top_k ist 20, min_p ist 0 und die Wiederholungsstrafe ist 1.0. Schlussfolgern mit direkter Antwort hat eine separate Voreinstellung: temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0. Höhere Präsenzstrafen können Sprachen vermischen oder die Qualität leicht mindern.\n\nEmpfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben; das sind keine gesondert festgelegten harten Ausgabeobergrenzen. Definieren Sie das angeforderte Format, erhalten Sie Quellbezeichner und prüfen Sie Berechnungen, extrahierte Werte und Codevorschläge anhand der ursprünglichen Belege. Das hilfreiche Ergebnis ist ein vollständiges Textartefakt, dessen Annahmen und unterstützendes Material sichtbar bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 122 Milliarden und 10 Milliarden aktivierten Parametern. Es verarbeitet Text, Bilder und Videos für Denk-, Programmier- und Agentenaufgaben und gibt Text aus, mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.5 im Überblick: das Expertenmodell 122B-A10B
Qwen3.5-122B-A10B ist ein nachtrainiertes Vision-Language-Modell für gemeinsame Text- und Bildaufgaben. Es nimmt Text, Bilder und Videos entgegen und gibt Text aus, darunter Erklärungen, Codevorschläge und angeforderte Dokumentartefakte. Die Familie entsteht durch frühe Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben und entwickelt dabei Schlussfolgern, Programmieren, Agenten und visuelles Verstehen. Sie beschreibt eine Abdeckung von 201 Sprachen und Dialekten, ohne damit identische Zuverlässigkeit für jede Sprache oder jedes Fachgebiet zu behaupten.
Eine hilfreiche Aufgabe kann eine technische Spezifikation, Diagramme und relevanten Code verbinden und das Modell auffordern, die Komponenten zu erklären und einen Implementierungsvorschlag zurückzugeben. Eine Dokumentanalyse kann einen Vergleich mit belegenden Abschnitts- oder Seitenverweisen verlangen.
Modellüberblick
Der Mixture-of-Experts-Checkpoint mit selektiver Expertenaktivierung hat insgesamt 122 Milliarden Parameter und aktiviert zehn Milliarden. Er verfügt über 48 Sprachmodellschichten mit Gruppen aus drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 256 geroutete Experten; ausgewählt werden acht geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Gesamtzahl und aktivierte Anzahl haben unterschiedliche Bedeutungen; die aktivierte Zahl ist nicht die Größe des vollständigen Checkpoints.
Diese Ausgabe ist vom dichten Qwen3.5-27B, von Qwen3.5-35B-A3B mit selektiver Expertenaktivierung und von späteren Modellgenerationen getrennt. Leiten Sie aus der Größe allein keine allgemeine Leistungs- oder Latenzrangfolge ab. Der native Kontext umfasst 262,144 Tokens und die dokumentierte Erweiterung erreicht mit entsprechender Konfiguration 1,010,000. Qwen rät, für komplexes Denken nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, berücksichtigt aber, dass Speicherdruck ein kleineres Fenster erforderlich machen kann.
Gemeinsame Vorbereitung von Text und visuellen Belegen
Erhalten Sie Diagrammbeschriftungen, Achsenbeschriftungen, Tabellenüberschriften und Einheiten. Geben Sie an, ob das Ergebnis einen Zusammenhang erklären, benannte Felder extrahieren oder Code vorschlagen soll. Wenn mehrere Quellen relevant sind, kennzeichnen Sie diese und verlangen Sie eine Ausgabe, die nach denselben Bezeichnern gegliedert ist. Trennen Sie sichtbare Fakten von Annahmen, damit eine prüfende Person den Gedankengang anhand des bereitgestellten Materials nachvollziehen kann.
Benennen Sie bei einer Programmieranfrage das beabsichtigte Verhalten, den relevanten Quellcode und eine Eingabe, die das Problem zeigt. Verlangen Sie einen bearbeitbaren Patch mit einer Erklärung der betroffenen Bedingungen und Prüfungen. Erhalten Sie bei Videos Ereignisabfolge und Zeitangaben und formulieren Sie die Frage konkret, statt eine undifferenzierte Zusammenfassung anzufordern. Das Textergebnis des Modells ist ein zu prüfender Artefaktentwurf; visuelle Eingabefähigkeit bedeutet keine Erzeugung von Bildern, Videos oder Sprache.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmäßig aktiviert; der Gedankengang steht vor der endgültigen Antwort. Die Einstellung enable_thinking des Herstellers kann ihn für direkte Antworten deaktivieren. Die alten weichen Schalter /think und /nothink werden nicht offiziell unterstützt. Qwen3.5 empfiehlt, in historischen Assistentennachrichten endgültige Antworten ohne Denkinhalte beizubehalten. Das sollte nicht allein deshalb durch Bewahrungsoptionen späterer Qwen-Generationen ersetzt werden, weil sie denselben Familiennamen tragen.
Halten Sie das fertige Ergebnis leicht auffindbar, etwa in einem festgelegten Antwortfeld, als abgegrenzten Wert oder als separates Codeartefakt. Eine direkte Antwort muss weiterhin geprüft werden; ein längerer Gedankengang ist nur dann hilfreich, wenn seine Schritte eine überprüfbare Schlussfolgerung stützen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für die Arbeit mit Programmieragenten. Definieren Sie die zulässigen Aktionen, verfügbaren Belege und Abschlusskriterien. Angebundene Werkzeuge führen Vorgänge aus und liefern Ergebnisse; das Modell verwendet diese Rückmeldungen in seiner Analyse. Ein vorgeschlagener Befehl, eine Suchabfrage oder ein Patch sollte von einer tatsächlich durch die Anwendung abgeschlossenen Aktion getrennt bleiben.
Sehr langer Kontext und Videos
Die Erweiterung des Herstellers verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für Aufgaben mit 524,288 Tokens wird zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte deshalb einem tatsächlichen Bedarf an größerem Kontext folgen. Eingabe, dargestellte visuelle Inhalte, Gesprächsverlauf, Gedankengang und endgültige Antwort nutzen alle das konfigurierte Sequenzbudget.
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller, das Prozessorbudget bei höherer Abtastrate auf ungefähr 224K Videotokens zu erhöhen. Das ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelgenauigkeit.
Generierungshinweise und inhaltliche Grenzen
Die Best Practices empfehlen temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Präsenzstrafe von 1.5 und eine Wiederholungsstrafe von 1.0 für allgemeines Denken. Präzises Programmieren verwendet temperature 0.6 und eine Präsenzstrafe von null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und eine Präsenzstrafe von 1.5; top_k ist 20, min_p ist 0 und die Wiederholungsstrafe ist 1.0. Schlussfolgern mit direkter Antwort hat eine separate Voreinstellung: temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0. Höhere Präsenzstrafen können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben; das sind keine gesondert festgelegten harten Ausgabeobergrenzen. Definieren Sie das angeforderte Format, erhalten Sie Quellbezeichner und prüfen Sie Berechnungen, extrahierte Werte und Codevorschläge anhand der ursprünglichen Belege. Das hilfreiche Ergebnis ist ein vollständiges Textartefakt, dessen Annahmen und unterstützendes Material sichtbar bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-122b-a10b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00058 / 1K Tokens Ausgabe · Ausgabetoken $0.00458 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00058 / 1K Tokens Ausgabe · Ausgabetoken $0.00458 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "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/qwen3.5-122b-a10b',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/qwen3.5-122b-a10b',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 122 Milliarden und 10 Milliarden aktivierten Parametern. Es verarbeitet Text, Bilder und Videos für Denk-, Programmier- und Agentenaufgaben und gibt Text aus, mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.5 im Überblick: das Expertenmodell 122B-A10B
Qwen3.5-122B-A10B ist ein nachtrainiertes Vision-Language-Modell für gemeinsame Text- und Bildaufgaben. Es nimmt Text, Bilder und Videos entgegen und gibt Text aus, darunter Erklärungen, Codevorschläge und angeforderte Dokumentartefakte. Die Familie entsteht durch frühe Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben und entwickelt dabei Schlussfolgern, Programmieren, Agenten und visuelles Verstehen. Sie beschreibt eine Abdeckung von 201 Sprachen und Dialekten, ohne damit identische Zuverlässigkeit für jede Sprache oder jedes Fachgebiet zu behaupten.
Eine hilfreiche Aufgabe kann eine technische Spezifikation, Diagramme und relevanten Code verbinden und das Modell auffordern, die Komponenten zu erklären und einen Implementierungsvorschlag zurückzugeben. Eine Dokumentanalyse kann einen Vergleich mit belegenden Abschnitts- oder Seitenverweisen verlangen.
Modellüberblick
Der Mixture-of-Experts-Checkpoint mit selektiver Expertenaktivierung hat insgesamt 122 Milliarden Parameter und aktiviert zehn Milliarden. Er verfügt über 48 Sprachmodellschichten mit Gruppen aus drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 256 geroutete Experten; ausgewählt werden acht geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Gesamtzahl und aktivierte Anzahl haben unterschiedliche Bedeutungen; die aktivierte Zahl ist nicht die Größe des vollständigen Checkpoints.
Diese Ausgabe ist vom dichten Qwen3.5-27B, von Qwen3.5-35B-A3B mit selektiver Expertenaktivierung und von späteren Modellgenerationen getrennt. Leiten Sie aus der Größe allein keine allgemeine Leistungs- oder Latenzrangfolge ab. Der native Kontext umfasst 262,144 Tokens und die dokumentierte Erweiterung erreicht mit entsprechender Konfiguration 1,010,000. Qwen rät, für komplexes Denken nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, berücksichtigt aber, dass Speicherdruck ein kleineres Fenster erforderlich machen kann.
Gemeinsame Vorbereitung von Text und visuellen Belegen
Erhalten Sie Diagrammbeschriftungen, Achsenbeschriftungen, Tabellenüberschriften und Einheiten. Geben Sie an, ob das Ergebnis einen Zusammenhang erklären, benannte Felder extrahieren oder Code vorschlagen soll. Wenn mehrere Quellen relevant sind, kennzeichnen Sie diese und verlangen Sie eine Ausgabe, die nach denselben Bezeichnern gegliedert ist. Trennen Sie sichtbare Fakten von Annahmen, damit eine prüfende Person den Gedankengang anhand des bereitgestellten Materials nachvollziehen kann.
Benennen Sie bei einer Programmieranfrage das beabsichtigte Verhalten, den relevanten Quellcode und eine Eingabe, die das Problem zeigt. Verlangen Sie einen bearbeitbaren Patch mit einer Erklärung der betroffenen Bedingungen und Prüfungen. Erhalten Sie bei Videos Ereignisabfolge und Zeitangaben und formulieren Sie die Frage konkret, statt eine undifferenzierte Zusammenfassung anzufordern. Das Textergebnis des Modells ist ein zu prüfender Artefaktentwurf; visuelle Eingabefähigkeit bedeutet keine Erzeugung von Bildern, Videos oder Sprache.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmäßig aktiviert; der Gedankengang steht vor der endgültigen Antwort. Die Einstellung enable_thinking des Herstellers kann ihn für direkte Antworten deaktivieren. Die alten weichen Schalter /think und /nothink werden nicht offiziell unterstützt. Qwen3.5 empfiehlt, in historischen Assistentennachrichten endgültige Antworten ohne Denkinhalte beizubehalten. Das sollte nicht allein deshalb durch Bewahrungsoptionen späterer Qwen-Generationen ersetzt werden, weil sie denselben Familiennamen tragen.
Halten Sie das fertige Ergebnis leicht auffindbar, etwa in einem festgelegten Antwortfeld, als abgegrenzten Wert oder als separates Codeartefakt. Eine direkte Antwort muss weiterhin geprüft werden; ein längerer Gedankengang ist nur dann hilfreich, wenn seine Schritte eine überprüfbare Schlussfolgerung stützen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für die Arbeit mit Programmieragenten. Definieren Sie die zulässigen Aktionen, verfügbaren Belege und Abschlusskriterien. Angebundene Werkzeuge führen Vorgänge aus und liefern Ergebnisse; das Modell verwendet diese Rückmeldungen in seiner Analyse. Ein vorgeschlagener Befehl, eine Suchabfrage oder ein Patch sollte von einer tatsächlich durch die Anwendung abgeschlossenen Aktion getrennt bleiben.
Sehr langer Kontext und Videos
Die Erweiterung des Herstellers verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für Aufgaben mit 524,288 Tokens wird zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte deshalb einem tatsächlichen Bedarf an größerem Kontext folgen. Eingabe, dargestellte visuelle Inhalte, Gesprächsverlauf, Gedankengang und endgültige Antwort nutzen alle das konfigurierte Sequenzbudget.
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller, das Prozessorbudget bei höherer Abtastrate auf ungefähr 224K Videotokens zu erhöhen. Das ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelgenauigkeit.
Generierungshinweise und inhaltliche Grenzen
Die Best Practices empfehlen temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Präsenzstrafe von 1.5 und eine Wiederholungsstrafe von 1.0 für allgemeines Denken. Präzises Programmieren verwendet temperature 0.6 und eine Präsenzstrafe von null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und eine Präsenzstrafe von 1.5; top_k ist 20, min_p ist 0 und die Wiederholungsstrafe ist 1.0. Schlussfolgern mit direkter Antwort hat eine separate Voreinstellung: temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0. Höhere Präsenzstrafen können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben; das sind keine gesondert festgelegten harten Ausgabeobergrenzen. Definieren Sie das angeforderte Format, erhalten Sie Quellbezeichner und prüfen Sie Berechnungen, extrahierte Werte und Codevorschläge anhand der ursprünglichen Belege. Das hilfreiche Ergebnis ist ein vollständiges Textartefakt, dessen Annahmen und unterstützendes Material sichtbar bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-122b-a10b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00058 / 1K Tokens Ausgabe · Ausgabetoken $0.00458 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00058 / 1K Tokens Ausgabe · Ausgabetoken $0.00458 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-122b-a10b', '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/qwen3.5-122b-a10b', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.