Qwen3.5 im Überblick: die dichte 27B-Ausgabe
Qwen3.5-27B ist ein nachtrainiertes dichtes Vision-Language-Modell. Text, Bilder und Videos können gemeinsam in eine Aufgabe einfließen; das Ergebnis ist Text: eine Erklärung, ein Codevorschlag, extrahierte Informationen oder ein anderes angefordertes Artefakt. Die frühe Fusion von Text- und Bildtraining in der Familie entwickelt Fähigkeiten zum Schlussfolgern, Programmieren, für Agenten und für visuelle Aufgaben, mit Reinforcement Learning anhand zunehmend komplexer Aufgaben und Unterstützung für 201 Sprachen und Dialekte.
Diese Sprachabdeckung hilft, mehrsprachige Aufgaben einzuordnen, garantiert jedoch keine identische Zuverlässigkeit für jeden Dialekt oder Fachwortschatz. Geben Sie die Zielsprache, die Zielgruppe und unverändert zu belassende Begriffe an. Kennzeichnen Sie bei einem sprachübergreifenden Dokumentvergleich jede Quelle und verlangen Sie ein Ergebnis, das nach den zu vergleichenden Fakten oder Fragen gegliedert ist.
Modellüberblick
Die konkrete 27B-Ausgabe ist dicht und verfügt über 64 Sprachmodellschichten sowie einen Vision-Encoder. Ihr hybrider Aufbau wechselt zwischen Gruppen aus drei Gated-DeltaNet-Schichten und einer Gated-Attention-Schicht und verwendet dichte Feedforward-Netze. Multi-Token-Prediction ist Bestandteil des Trainings. Die für andere Qwen3.5-Größen beschriebene Mixture-of-Experts-Architektur mit selektiver Expertenaktivierung darf diesem Modell nicht zugeordnet werden; seine Identität mit 27 Milliarden Parametern ist seine eigene Checkpoint-Spezifikation.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Qwen empfiehlt, für komplexe Denkaufgaben nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, erlaubt jedoch kleinere Einstellungen, wenn Speicherbeschränkungen dies erfordern. Das sind Konfigurationshinweise und kein Beleg dafür, dass jede Schnittstelle den vollständigen Kontext bereitstellt. Quelltext, visuelle Tokens, Gesprächsverlauf, Gedankengang und Antwort teilen sich das Sequenzbudget.
Vorbereitung von Text und visuellen Inhalten
Erhalten Sie bei einem technischen Dokument Abschnittsbezeichner und verlangen Sie eine Anforderungstabelle oder eine durch diese Abschnitte belegte Erklärung. Erhalten Sie bei einem Diagramm Beschriftungen und liefern Sie Definitionen mit, die nicht im Bild sichtbar sind. Stellen Sie bei einer Programmieraufgabe die relevante Funktion, das beobachtete Verhalten und das geforderte Ergebnis bereit. Eine hilfreiche Antwort sollte die verwendeten Belege benennen, Annahmen getrennt ausweisen und das fertige Artefakt in einer prüfbaren Form zurückgeben.
Benennen Sie bei einer Videofrage das maßgebliche Ereignis oder die relevante Abfolge und erhalten Sie Zeitangaben und Bildreihenfolge. Das Beispiel des Herstellers verwendet im unterstützten Arbeitsablauf zwei Bilder pro Sekunde. Seine Hinweise für lange Videos empfehlen für stundenlange Analysen mit höherer Abtastrate ein größeres Prozessorbudget entsprechend ungefähr 224K Videotokens. Diese Einstellungen erfordern Konfiguration und begründen keine allgemeingültige Garantie für Dauer oder genaue Ereigniszeitstempel.
Denkmodus und direkte Antworten
Der Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die älteren weichen Schalter /think und /nothink nicht offiziell. Der Hersteller empfiehlt, in historischen Assistentennachrichten nur den endgültigen Antworttext ohne Denkinhalte beizubehalten. Das ist der Vertrag von Qwen3.5 und sollte vom für spätere Veröffentlichungen dokumentierten Verhalten zur Bewahrung historischer Gedankengänge getrennt bleiben.
Wählen Sie vor dem Absenden der Aufgabe eine Endform: eine kurze Schlussfolgerung mit unterstützenden Werten, eine Tabelle extrahierter Felder oder einen erläuterten Codepatch. Eine direkte Antwort ist weiterhin eine generierte Antwort, die geprüft werden muss; ein langes Denkprotokoll ist kein unabhängiger Beleg für die Richtigkeit seiner Schlussfolgerung.
Agentennutzung
Der Hersteller unterstützt Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Arbeitsabläufe mit Programmieragenten. Weisen Sie den Werkzeugen der Anwendung eine klare Rolle zu und geben Sie ihre tatsächlichen Beobachtungen an das Modell zurück. Das Modell kann anhand dieser Rückmeldungen planen und überarbeiten, während die Anwendung die Aktionen ausführt. Werkzeugunterstützung belegt für sich allein keinen integrierten Zugriff auf das Internet, Dateien oder eine Codeausführungsumgebung über jede Schnittstelle.
Sehr lange Texte
Die Erweiterung verwendet YaRN mit der eigenen Positionskonfiguration des Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für 524,288 Tokens wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Qualität bei kürzeren Texten mindern, daher empfiehlt der Hersteller sie, wenn der größere Kontext tatsächlich benötigt wird. Halten Sie umfangreiches Material geordnet und reservieren Sie Platz für die benötigte Antwort, statt die höchste Kontextzahl als unbegrenzte Erinnerung an Dokumente zu interpretieren.
Generierungshinweise und 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 verwendet die separate Best-Practices-Voreinstellung mit temperature 1.0, top_p 1.0, top_k 40 und einer Präsenzstrafe von 2.0. Höhere Präsenzstrafen können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Aufgaben und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind keine unabhängig festgelegten harten Ausgabeobergrenzen. Geben Sie Antwortschema oder Trennzeichen ausdrücklich an und prüfen Sie Code, Berechnungen, Zitate und visuelle Details anhand der Quelle. Das hilfreiche Ergebnis ist ein konkretes Textartefakt, bei dem die genaue dichte 27B-Identität, die Eingaben und der Antwortmodus erhalten bleiben.
", "aboutText": "Qwen3.5 im Überblick: die dichte 27B-Ausgabe\n\nQwen3.5-27B ist ein nachtrainiertes dichtes Vision-Language-Modell. Text, Bilder und Videos können gemeinsam in eine Aufgabe einfließen; das Ergebnis ist Text: eine Erklärung, ein Codevorschlag, extrahierte Informationen oder ein anderes angefordertes Artefakt. Die frühe Fusion von Text- und Bildtraining in der Familie entwickelt Fähigkeiten zum Schlussfolgern, Programmieren, für Agenten und für visuelle Aufgaben, mit Reinforcement Learning anhand zunehmend komplexer Aufgaben und Unterstützung für 201 Sprachen und Dialekte.\n\nDiese Sprachabdeckung hilft, mehrsprachige Aufgaben einzuordnen, garantiert jedoch keine identische Zuverlässigkeit für jeden Dialekt oder Fachwortschatz. Geben Sie die Zielsprache, die Zielgruppe und unverändert zu belassende Begriffe an. Kennzeichnen Sie bei einem sprachübergreifenden Dokumentvergleich jede Quelle und verlangen Sie ein Ergebnis, das nach den zu vergleichenden Fakten oder Fragen gegliedert ist.\n\nModellüberblick\n\nDie konkrete 27B-Ausgabe ist dicht und verfügt über 64 Sprachmodellschichten sowie einen Vision-Encoder. Ihr hybrider Aufbau wechselt zwischen Gruppen aus drei Gated-DeltaNet-Schichten und einer Gated-Attention-Schicht und verwendet dichte Feedforward-Netze. Multi-Token-Prediction ist Bestandteil des Trainings. Die für andere Qwen3.5-Größen beschriebene Mixture-of-Experts-Architektur mit selektiver Expertenaktivierung darf diesem Modell nicht zugeordnet werden; seine Identität mit 27 Milliarden Parametern ist seine eigene Checkpoint-Spezifikation.\n\nDer native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Qwen empfiehlt, für komplexe Denkaufgaben nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, erlaubt jedoch kleinere Einstellungen, wenn Speicherbeschränkungen dies erfordern. Das sind Konfigurationshinweise und kein Beleg dafür, dass jede Schnittstelle den vollständigen Kontext bereitstellt. Quelltext, visuelle Tokens, Gesprächsverlauf, Gedankengang und Antwort teilen sich das Sequenzbudget.\n\nVorbereitung von Text und visuellen Inhalten\n\nErhalten Sie bei einem technischen Dokument Abschnittsbezeichner und verlangen Sie eine Anforderungstabelle oder eine durch diese Abschnitte belegte Erklärung. Erhalten Sie bei einem Diagramm Beschriftungen und liefern Sie Definitionen mit, die nicht im Bild sichtbar sind. Stellen Sie bei einer Programmieraufgabe die relevante Funktion, das beobachtete Verhalten und das geforderte Ergebnis bereit. Eine hilfreiche Antwort sollte die verwendeten Belege benennen, Annahmen getrennt ausweisen und das fertige Artefakt in einer prüfbaren Form zurückgeben.\n\nBenennen Sie bei einer Videofrage das maßgebliche Ereignis oder die relevante Abfolge und erhalten Sie Zeitangaben und Bildreihenfolge. Das Beispiel des Herstellers verwendet im unterstützten Arbeitsablauf zwei Bilder pro Sekunde. Seine Hinweise für lange Videos empfehlen für stundenlange Analysen mit höherer Abtastrate ein größeres Prozessorbudget entsprechend ungefähr 224K Videotokens. Diese Einstellungen erfordern Konfiguration und begründen keine allgemeingültige Garantie für Dauer oder genaue Ereigniszeitstempel.\n\nDenkmodus und direkte Antworten\n\nDer Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die älteren weichen Schalter /think und /nothink nicht offiziell. Der Hersteller empfiehlt, in historischen Assistentennachrichten nur den endgültigen Antworttext ohne Denkinhalte beizubehalten. Das ist der Vertrag von Qwen3.5 und sollte vom für spätere Veröffentlichungen dokumentierten Verhalten zur Bewahrung historischer Gedankengänge getrennt bleiben.\n\nWählen Sie vor dem Absenden der Aufgabe eine Endform: eine kurze Schlussfolgerung mit unterstützenden Werten, eine Tabelle extrahierter Felder oder einen erläuterten Codepatch. Eine direkte Antwort ist weiterhin eine generierte Antwort, die geprüft werden muss; ein langes Denkprotokoll ist kein unabhängiger Beleg für die Richtigkeit seiner Schlussfolgerung.\n\nAgentennutzung\n\nDer Hersteller unterstützt Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Arbeitsabläufe mit Programmieragenten. Weisen Sie den Werkzeugen der Anwendung eine klare Rolle zu und geben Sie ihre tatsächlichen Beobachtungen an das Modell zurück. Das Modell kann anhand dieser Rückmeldungen planen und überarbeiten, während die Anwendung die Aktionen ausführt. Werkzeugunterstützung belegt für sich allein keinen integrierten Zugriff auf das Internet, Dateien oder eine Codeausführungsumgebung über jede Schnittstelle.\n\nSehr lange Texte\n\nDie Erweiterung verwendet YaRN mit der eigenen Positionskonfiguration des Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für 524,288 Tokens wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Qualität bei kürzeren Texten mindern, daher empfiehlt der Hersteller sie, wenn der größere Kontext tatsächlich benötigt wird. Halten Sie umfangreiches Material geordnet und reservieren Sie Platz für die benötigte Antwort, statt die höchste Kontextzahl als unbegrenzte Erinnerung an Dokumente zu interpretieren.\n\nGenerierungshinweise und 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 verwendet die separate Best-Practices-Voreinstellung mit temperature 1.0, top_p 1.0, top_k 40 und einer 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 Aufgaben und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind keine unabhängig festgelegten harten Ausgabeobergrenzen. Geben Sie Antwortschema oder Trennzeichen ausdrücklich an und prüfen Sie Code, Berechnungen, Zitate und visuelle Details anhand der Quelle. Das hilfreiche Ergebnis ist ein konkretes Textartefakt, bei dem die genaue dichte 27B-Identität, die Eingaben und der Antwortmodus erhalten bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B ist Qwens dichtes Vision-Language-Modell mit 27 Milliarden Parametern für Text, Bilder und Videos mit Textausgabe. Es unterstützt Schlussfolgern, Programmieren, werkzeuggestützte Arbeit und mehrsprachige Aufgaben, 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: die dichte 27B-Ausgabe
Qwen3.5-27B ist ein nachtrainiertes dichtes Vision-Language-Modell. Text, Bilder und Videos können gemeinsam in eine Aufgabe einfließen; das Ergebnis ist Text: eine Erklärung, ein Codevorschlag, extrahierte Informationen oder ein anderes angefordertes Artefakt. Die frühe Fusion von Text- und Bildtraining in der Familie entwickelt Fähigkeiten zum Schlussfolgern, Programmieren, für Agenten und für visuelle Aufgaben, mit Reinforcement Learning anhand zunehmend komplexer Aufgaben und Unterstützung für 201 Sprachen und Dialekte.
Diese Sprachabdeckung hilft, mehrsprachige Aufgaben einzuordnen, garantiert jedoch keine identische Zuverlässigkeit für jeden Dialekt oder Fachwortschatz. Geben Sie die Zielsprache, die Zielgruppe und unverändert zu belassende Begriffe an. Kennzeichnen Sie bei einem sprachübergreifenden Dokumentvergleich jede Quelle und verlangen Sie ein Ergebnis, das nach den zu vergleichenden Fakten oder Fragen gegliedert ist.
Modellüberblick
Die konkrete 27B-Ausgabe ist dicht und verfügt über 64 Sprachmodellschichten sowie einen Vision-Encoder. Ihr hybrider Aufbau wechselt zwischen Gruppen aus drei Gated-DeltaNet-Schichten und einer Gated-Attention-Schicht und verwendet dichte Feedforward-Netze. Multi-Token-Prediction ist Bestandteil des Trainings. Die für andere Qwen3.5-Größen beschriebene Mixture-of-Experts-Architektur mit selektiver Expertenaktivierung darf diesem Modell nicht zugeordnet werden; seine Identität mit 27 Milliarden Parametern ist seine eigene Checkpoint-Spezifikation.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Qwen empfiehlt, für komplexe Denkaufgaben nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, erlaubt jedoch kleinere Einstellungen, wenn Speicherbeschränkungen dies erfordern. Das sind Konfigurationshinweise und kein Beleg dafür, dass jede Schnittstelle den vollständigen Kontext bereitstellt. Quelltext, visuelle Tokens, Gesprächsverlauf, Gedankengang und Antwort teilen sich das Sequenzbudget.
Vorbereitung von Text und visuellen Inhalten
Erhalten Sie bei einem technischen Dokument Abschnittsbezeichner und verlangen Sie eine Anforderungstabelle oder eine durch diese Abschnitte belegte Erklärung. Erhalten Sie bei einem Diagramm Beschriftungen und liefern Sie Definitionen mit, die nicht im Bild sichtbar sind. Stellen Sie bei einer Programmieraufgabe die relevante Funktion, das beobachtete Verhalten und das geforderte Ergebnis bereit. Eine hilfreiche Antwort sollte die verwendeten Belege benennen, Annahmen getrennt ausweisen und das fertige Artefakt in einer prüfbaren Form zurückgeben.
Benennen Sie bei einer Videofrage das maßgebliche Ereignis oder die relevante Abfolge und erhalten Sie Zeitangaben und Bildreihenfolge. Das Beispiel des Herstellers verwendet im unterstützten Arbeitsablauf zwei Bilder pro Sekunde. Seine Hinweise für lange Videos empfehlen für stundenlange Analysen mit höherer Abtastrate ein größeres Prozessorbudget entsprechend ungefähr 224K Videotokens. Diese Einstellungen erfordern Konfiguration und begründen keine allgemeingültige Garantie für Dauer oder genaue Ereigniszeitstempel.
Denkmodus und direkte Antworten
Der Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die älteren weichen Schalter /think und /nothink nicht offiziell. Der Hersteller empfiehlt, in historischen Assistentennachrichten nur den endgültigen Antworttext ohne Denkinhalte beizubehalten. Das ist der Vertrag von Qwen3.5 und sollte vom für spätere Veröffentlichungen dokumentierten Verhalten zur Bewahrung historischer Gedankengänge getrennt bleiben.
Wählen Sie vor dem Absenden der Aufgabe eine Endform: eine kurze Schlussfolgerung mit unterstützenden Werten, eine Tabelle extrahierter Felder oder einen erläuterten Codepatch. Eine direkte Antwort ist weiterhin eine generierte Antwort, die geprüft werden muss; ein langes Denkprotokoll ist kein unabhängiger Beleg für die Richtigkeit seiner Schlussfolgerung.
Agentennutzung
Der Hersteller unterstützt Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Arbeitsabläufe mit Programmieragenten. Weisen Sie den Werkzeugen der Anwendung eine klare Rolle zu und geben Sie ihre tatsächlichen Beobachtungen an das Modell zurück. Das Modell kann anhand dieser Rückmeldungen planen und überarbeiten, während die Anwendung die Aktionen ausführt. Werkzeugunterstützung belegt für sich allein keinen integrierten Zugriff auf das Internet, Dateien oder eine Codeausführungsumgebung über jede Schnittstelle.
Sehr lange Texte
Die Erweiterung verwendet YaRN mit der eigenen Positionskonfiguration des Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für 524,288 Tokens wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Qualität bei kürzeren Texten mindern, daher empfiehlt der Hersteller sie, wenn der größere Kontext tatsächlich benötigt wird. Halten Sie umfangreiches Material geordnet und reservieren Sie Platz für die benötigte Antwort, statt die höchste Kontextzahl als unbegrenzte Erinnerung an Dokumente zu interpretieren.
Generierungshinweise und 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 verwendet die separate Best-Practices-Voreinstellung mit temperature 1.0, top_p 1.0, top_k 40 und einer Präsenzstrafe von 2.0. Höhere Präsenzstrafen können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Aufgaben und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind keine unabhängig festgelegten harten Ausgabeobergrenzen. Geben Sie Antwortschema oder Trennzeichen ausdrücklich an und prüfen Sie Code, Berechnungen, Zitate und visuelle Details anhand der Quelle. Das hilfreiche Ergebnis ist ein konkretes Textartefakt, bei dem die genaue dichte 27B-Identität, die Eingaben und der Antwortmodus erhalten bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-27b | 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 $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00412 / 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 $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00412 / 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/qwen3.5-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.5-27b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-27bQwen3.5-27B ist Qwens dichtes Vision-Language-Modell mit 27 Milliarden Parametern für Text, Bilder und Videos mit Textausgabe. Es unterstützt Schlussfolgern, Programmieren, werkzeuggestützte Arbeit und mehrsprachige Aufgaben, 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: die dichte 27B-Ausgabe
Qwen3.5-27B ist ein nachtrainiertes dichtes Vision-Language-Modell. Text, Bilder und Videos können gemeinsam in eine Aufgabe einfließen; das Ergebnis ist Text: eine Erklärung, ein Codevorschlag, extrahierte Informationen oder ein anderes angefordertes Artefakt. Die frühe Fusion von Text- und Bildtraining in der Familie entwickelt Fähigkeiten zum Schlussfolgern, Programmieren, für Agenten und für visuelle Aufgaben, mit Reinforcement Learning anhand zunehmend komplexer Aufgaben und Unterstützung für 201 Sprachen und Dialekte.
Diese Sprachabdeckung hilft, mehrsprachige Aufgaben einzuordnen, garantiert jedoch keine identische Zuverlässigkeit für jeden Dialekt oder Fachwortschatz. Geben Sie die Zielsprache, die Zielgruppe und unverändert zu belassende Begriffe an. Kennzeichnen Sie bei einem sprachübergreifenden Dokumentvergleich jede Quelle und verlangen Sie ein Ergebnis, das nach den zu vergleichenden Fakten oder Fragen gegliedert ist.
Modellüberblick
Die konkrete 27B-Ausgabe ist dicht und verfügt über 64 Sprachmodellschichten sowie einen Vision-Encoder. Ihr hybrider Aufbau wechselt zwischen Gruppen aus drei Gated-DeltaNet-Schichten und einer Gated-Attention-Schicht und verwendet dichte Feedforward-Netze. Multi-Token-Prediction ist Bestandteil des Trainings. Die für andere Qwen3.5-Größen beschriebene Mixture-of-Experts-Architektur mit selektiver Expertenaktivierung darf diesem Modell nicht zugeordnet werden; seine Identität mit 27 Milliarden Parametern ist seine eigene Checkpoint-Spezifikation.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Qwen empfiehlt, für komplexe Denkaufgaben nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, erlaubt jedoch kleinere Einstellungen, wenn Speicherbeschränkungen dies erfordern. Das sind Konfigurationshinweise und kein Beleg dafür, dass jede Schnittstelle den vollständigen Kontext bereitstellt. Quelltext, visuelle Tokens, Gesprächsverlauf, Gedankengang und Antwort teilen sich das Sequenzbudget.
Vorbereitung von Text und visuellen Inhalten
Erhalten Sie bei einem technischen Dokument Abschnittsbezeichner und verlangen Sie eine Anforderungstabelle oder eine durch diese Abschnitte belegte Erklärung. Erhalten Sie bei einem Diagramm Beschriftungen und liefern Sie Definitionen mit, die nicht im Bild sichtbar sind. Stellen Sie bei einer Programmieraufgabe die relevante Funktion, das beobachtete Verhalten und das geforderte Ergebnis bereit. Eine hilfreiche Antwort sollte die verwendeten Belege benennen, Annahmen getrennt ausweisen und das fertige Artefakt in einer prüfbaren Form zurückgeben.
Benennen Sie bei einer Videofrage das maßgebliche Ereignis oder die relevante Abfolge und erhalten Sie Zeitangaben und Bildreihenfolge. Das Beispiel des Herstellers verwendet im unterstützten Arbeitsablauf zwei Bilder pro Sekunde. Seine Hinweise für lange Videos empfehlen für stundenlange Analysen mit höherer Abtastrate ein größeres Prozessorbudget entsprechend ungefähr 224K Videotokens. Diese Einstellungen erfordern Konfiguration und begründen keine allgemeingültige Garantie für Dauer oder genaue Ereigniszeitstempel.
Denkmodus und direkte Antworten
Der Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die älteren weichen Schalter /think und /nothink nicht offiziell. Der Hersteller empfiehlt, in historischen Assistentennachrichten nur den endgültigen Antworttext ohne Denkinhalte beizubehalten. Das ist der Vertrag von Qwen3.5 und sollte vom für spätere Veröffentlichungen dokumentierten Verhalten zur Bewahrung historischer Gedankengänge getrennt bleiben.
Wählen Sie vor dem Absenden der Aufgabe eine Endform: eine kurze Schlussfolgerung mit unterstützenden Werten, eine Tabelle extrahierter Felder oder einen erläuterten Codepatch. Eine direkte Antwort ist weiterhin eine generierte Antwort, die geprüft werden muss; ein langes Denkprotokoll ist kein unabhängiger Beleg für die Richtigkeit seiner Schlussfolgerung.
Agentennutzung
Der Hersteller unterstützt Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Arbeitsabläufe mit Programmieragenten. Weisen Sie den Werkzeugen der Anwendung eine klare Rolle zu und geben Sie ihre tatsächlichen Beobachtungen an das Modell zurück. Das Modell kann anhand dieser Rückmeldungen planen und überarbeiten, während die Anwendung die Aktionen ausführt. Werkzeugunterstützung belegt für sich allein keinen integrierten Zugriff auf das Internet, Dateien oder eine Codeausführungsumgebung über jede Schnittstelle.
Sehr lange Texte
Die Erweiterung verwendet YaRN mit der eigenen Positionskonfiguration des Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für 524,288 Tokens wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Qualität bei kürzeren Texten mindern, daher empfiehlt der Hersteller sie, wenn der größere Kontext tatsächlich benötigt wird. Halten Sie umfangreiches Material geordnet und reservieren Sie Platz für die benötigte Antwort, statt die höchste Kontextzahl als unbegrenzte Erinnerung an Dokumente zu interpretieren.
Generierungshinweise und 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 verwendet die separate Best-Practices-Voreinstellung mit temperature 1.0, top_p 1.0, top_k 40 und einer Präsenzstrafe von 2.0. Höhere Präsenzstrafen können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Aufgaben und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind keine unabhängig festgelegten harten Ausgabeobergrenzen. Geben Sie Antwortschema oder Trennzeichen ausdrücklich an und prüfen Sie Code, Berechnungen, Zitate und visuelle Details anhand der Quelle. Das hilfreiche Ergebnis ist ein konkretes Textartefakt, bei dem die genaue dichte 27B-Identität, die Eingaben und der Antwortmodus erhalten bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-27b | 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 $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00412 / 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 $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00412 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.5-27b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.