Qwen3.5 im Überblick: ein Vision-Language-Checkpoint mit selektiver Aktivierung
Qwen3.5-35B-A3B ist ein nachtrainiertes Vision-Language-Modell, das Text-, Bild- und Videoverständnis mit Textantworten verbindet. Die Familie wird mit früher Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben trainiert und unterstützt Schlussfolgern, Programmieren, Agenten und visuelle Analyse. Sie beschreibt außerdem eine Abdeckung von 201 Sprachen und Dialekten. Diese Abdeckung ist eine Fähigkeit der Modellfamilie und kein Versprechen gleicher Qualität für jede Sprache oder Aufgabe.
Der konkrete offene Checkpoint ist von Qwen3.5-35B-A3B-Base und der späteren Veröffentlichung Qwen3.6 getrennt. Der Hersteller beschreibt zudem ein verwaltetes Flash-Angebot mit zusätzlichen Funktionen; diese Schnittstellenfunktionen dürfen dem offenen Checkpoint nicht automatisch zugeordnet werden. Behalten Sie die angeforderte Identität 35B-A3B bei, wenn Sie Ergebnisse vergleichen oder eine reproduzierbare Modellauswahl festhalten.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 40 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Es verfügt über 256 geroutete Experten; im dokumentierten Aufbau sind acht geroutete Experten und ein geteilter Experte aktiv. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Die Zahl aktivierter Parameter beschreibt nicht die Größe des vollständigen Checkpoints, und die Architektur allein garantiert keine Latenz in einer bestimmten Anwendung.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Qwen rät, für komplexe Denkaufgaben nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, auch wenn ein kleineres Fenster den Speicherdruck reduzieren würde. Text, dargestelltes visuelles Material, Gesprächsverlauf, Gedankengang und endgültige Antwort benötigen alle Platz in der konfigurierten Sequenz.
Eingaben und Antwortmodi verwenden
Stellen Sie bei einer Programmieranfrage auf Basis eines Screenshots die visuelle Referenz, den bestehenden Quellcodekontext, Interaktionsanforderungen und das erwartete bearbeitbare Artefakt bereit. Erhalten Sie bei einem Diagramm oder Dokument Beschriftungen und Einheiten und verlangen Sie eine Wertetabelle mit unterstützenden Belegen. Geben Sie für eine mehrsprachige Erklärung die Zielsprache und beizubehaltende Begriffe an.
Der Denkmodus ist standardmäßig aktiviert und erzeugt vor der endgültigen Antwort einen Denkblock. Die Steuerung enable_thinking des Herstellers kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die alten weichen Prompt-Schalter /think und /nothink nicht offiziell. Die Hinweise zum Gesprächsverlauf sehen endgültige Antworten ohne Denkinhalte vor. Das sollte von späteren Bewahrungsoptionen in Qwen3.6 oder der standardmäßigen Beibehaltung historischer Gedankengänge in Qwen3.8 getrennt bleiben.
Agentennutzung
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für repositorybezogene Arbeit. Definieren Sie die zulässigen Vorgänge, relevanten Belege und das fertige Ergebnis. Die Anwendung führt Werkzeuge aus und liefert deren Beobachtungen; das Modell kann diese Rückmeldungen nutzen, um seine Analyse zu überarbeiten. Ein geplanter Befehl oder generierter Patch ist keine ausgeführte Aktion, und der Modellname allein belegt keinen Zugriff auf aktuelle Informationen oder Dateien.
Sehr langer Kontext
Die Erweiterungsanleitung 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 ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten mindern und sollte deshalb konfiguriert werden, wenn der größere Kontext benötigt wird. Gliedern Sie umfangreiches Material mit Dokumentgrenzen, Codebezeichnern und einer klaren Frage, statt das Fenster mit sachfremden Belegen zu füllen.
Empfehlungen zur Generierung
In den Best Practices verwendet allgemeines Denken temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Präsenzstrafe von 1.5 und eine Wiederholungsstrafe von 1.0. 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. Für Schlussfolgern im direkten Modus geben die Best Practices temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0 an. Halten Sie diese aufgabenspezifischen Voreinstellungen getrennt; höhere Präsenzstrafen können zur Vermischung von Sprachen oder zu einer leichten Qualitätsminderung führen.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind keine gesondert festgelegten harten Ausgabeobergrenzen. Definieren Sie die Form der endgültigen Antwort ausdrücklich und prüfen Sie Berechnungen oder generierten Code anhand der bereitgestellten Bedingungen.
Video und inhaltliche Grenzen
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Die Hinweise des Herstellers für stundenlange Videos erweitern das Prozessorbudget bei höherer Abtastrate auf ungefähr 224K Videotokens. Das erfordert Konfiguration und verbraucht neben Aufgabe und Antwort Kontext; es ist keine bedingungslose Garantie für Dauer oder perfekte Erinnerung an Ereignisse. Erhalten Sie relevante Szenenübergänge und kleine Schrift und verlangen Sie ein Ergebnis mit Bezug zu den sichtbaren Belegen. Der praktische Wert liegt im gemeinsamen Aufgabenbereich des Checkpoints für Text und visuelle Inhalte sowie im wählbaren Antwortmodus, mit einem konkreten prüfbaren Artefakt.
", "aboutText": "Qwen3.5 im Überblick: ein Vision-Language-Checkpoint mit selektiver Aktivierung\n\nQwen3.5-35B-A3B ist ein nachtrainiertes Vision-Language-Modell, das Text-, Bild- und Videoverständnis mit Textantworten verbindet. Die Familie wird mit früher Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben trainiert und unterstützt Schlussfolgern, Programmieren, Agenten und visuelle Analyse. Sie beschreibt außerdem eine Abdeckung von 201 Sprachen und Dialekten. Diese Abdeckung ist eine Fähigkeit der Modellfamilie und kein Versprechen gleicher Qualität für jede Sprache oder Aufgabe.\n\nDer konkrete offene Checkpoint ist von Qwen3.5-35B-A3B-Base und der späteren Veröffentlichung Qwen3.6 getrennt. Der Hersteller beschreibt zudem ein verwaltetes Flash-Angebot mit zusätzlichen Funktionen; diese Schnittstellenfunktionen dürfen dem offenen Checkpoint nicht automatisch zugeordnet werden. Behalten Sie die angeforderte Identität 35B-A3B bei, wenn Sie Ergebnisse vergleichen oder eine reproduzierbare Modellauswahl festhalten.\n\nModellüberblick\n\nDas Mixture-of-Experts-Modell hat insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 40 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Es verfügt über 256 geroutete Experten; im dokumentierten Aufbau sind acht geroutete Experten und ein geteilter Experte aktiv. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Die Zahl aktivierter Parameter beschreibt nicht die Größe des vollständigen Checkpoints, und die Architektur allein garantiert keine Latenz in einer bestimmten Anwendung.\n\nDer native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Qwen rät, für komplexe Denkaufgaben nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, auch wenn ein kleineres Fenster den Speicherdruck reduzieren würde. Text, dargestelltes visuelles Material, Gesprächsverlauf, Gedankengang und endgültige Antwort benötigen alle Platz in der konfigurierten Sequenz.\n\nEingaben und Antwortmodi verwenden\n\nStellen Sie bei einer Programmieranfrage auf Basis eines Screenshots die visuelle Referenz, den bestehenden Quellcodekontext, Interaktionsanforderungen und das erwartete bearbeitbare Artefakt bereit. Erhalten Sie bei einem Diagramm oder Dokument Beschriftungen und Einheiten und verlangen Sie eine Wertetabelle mit unterstützenden Belegen. Geben Sie für eine mehrsprachige Erklärung die Zielsprache und beizubehaltende Begriffe an.\n\nDer Denkmodus ist standardmäßig aktiviert und erzeugt vor der endgültigen Antwort einen Denkblock. Die Steuerung enable_thinking des Herstellers kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die alten weichen Prompt-Schalter /think und /nothink nicht offiziell. Die Hinweise zum Gesprächsverlauf sehen endgültige Antworten ohne Denkinhalte vor. Das sollte von späteren Bewahrungsoptionen in Qwen3.6 oder der standardmäßigen Beibehaltung historischer Gedankengänge in Qwen3.8 getrennt bleiben.\n\nAgentennutzung\n\nDer Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für repositorybezogene Arbeit. Definieren Sie die zulässigen Vorgänge, relevanten Belege und das fertige Ergebnis. Die Anwendung führt Werkzeuge aus und liefert deren Beobachtungen; das Modell kann diese Rückmeldungen nutzen, um seine Analyse zu überarbeiten. Ein geplanter Befehl oder generierter Patch ist keine ausgeführte Aktion, und der Modellname allein belegt keinen Zugriff auf aktuelle Informationen oder Dateien.\n\nSehr langer Kontext\n\nDie Erweiterungsanleitung 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 ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten mindern und sollte deshalb konfiguriert werden, wenn der größere Kontext benötigt wird. Gliedern Sie umfangreiches Material mit Dokumentgrenzen, Codebezeichnern und einer klaren Frage, statt das Fenster mit sachfremden Belegen zu füllen.\n\nEmpfehlungen zur Generierung\n\nIn den Best Practices verwendet allgemeines Denken temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Präsenzstrafe von 1.5 und eine Wiederholungsstrafe von 1.0. 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. Für Schlussfolgern im direkten Modus geben die Best Practices temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0 an. Halten Sie diese aufgabenspezifischen Voreinstellungen getrennt; höhere Präsenzstrafen können zur Vermischung von Sprachen oder zu einer leichten Qualitätsminderung führen.\n\nEmpfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind keine gesondert festgelegten harten Ausgabeobergrenzen. Definieren Sie die Form der endgültigen Antwort ausdrücklich und prüfen Sie Berechnungen oder generierten Code anhand der bereitgestellten Bedingungen.\n\nVideo und inhaltliche Grenzen\n\nDas unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Die Hinweise des Herstellers für stundenlange Videos erweitern das Prozessorbudget bei höherer Abtastrate auf ungefähr 224K Videotokens. Das erfordert Konfiguration und verbraucht neben Aufgabe und Antwort Kontext; es ist keine bedingungslose Garantie für Dauer oder perfekte Erinnerung an Ereignisse. Erhalten Sie relevante Szenenübergänge und kleine Schrift und verlangen Sie ein Ergebnis mit Bezug zu den sichtbaren Belegen. Der praktische Wert liegt im gemeinsamen Aufgabenbereich des Checkpoints für Text und visuelle Inhalte sowie im wählbaren Antwortmodus, mit einem konkreten prüfbaren Artefakt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es nimmt Text, Bilder und Videos für Denk-, Programmier- und werkzeuggestützte Aufgaben entgegen, mit Denkmodus, direktem Antwortmodus 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: ein Vision-Language-Checkpoint mit selektiver Aktivierung
Qwen3.5-35B-A3B ist ein nachtrainiertes Vision-Language-Modell, das Text-, Bild- und Videoverständnis mit Textantworten verbindet. Die Familie wird mit früher Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben trainiert und unterstützt Schlussfolgern, Programmieren, Agenten und visuelle Analyse. Sie beschreibt außerdem eine Abdeckung von 201 Sprachen und Dialekten. Diese Abdeckung ist eine Fähigkeit der Modellfamilie und kein Versprechen gleicher Qualität für jede Sprache oder Aufgabe.
Der konkrete offene Checkpoint ist von Qwen3.5-35B-A3B-Base und der späteren Veröffentlichung Qwen3.6 getrennt. Der Hersteller beschreibt zudem ein verwaltetes Flash-Angebot mit zusätzlichen Funktionen; diese Schnittstellenfunktionen dürfen dem offenen Checkpoint nicht automatisch zugeordnet werden. Behalten Sie die angeforderte Identität 35B-A3B bei, wenn Sie Ergebnisse vergleichen oder eine reproduzierbare Modellauswahl festhalten.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 40 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Es verfügt über 256 geroutete Experten; im dokumentierten Aufbau sind acht geroutete Experten und ein geteilter Experte aktiv. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Die Zahl aktivierter Parameter beschreibt nicht die Größe des vollständigen Checkpoints, und die Architektur allein garantiert keine Latenz in einer bestimmten Anwendung.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Qwen rät, für komplexe Denkaufgaben nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, auch wenn ein kleineres Fenster den Speicherdruck reduzieren würde. Text, dargestelltes visuelles Material, Gesprächsverlauf, Gedankengang und endgültige Antwort benötigen alle Platz in der konfigurierten Sequenz.
Eingaben und Antwortmodi verwenden
Stellen Sie bei einer Programmieranfrage auf Basis eines Screenshots die visuelle Referenz, den bestehenden Quellcodekontext, Interaktionsanforderungen und das erwartete bearbeitbare Artefakt bereit. Erhalten Sie bei einem Diagramm oder Dokument Beschriftungen und Einheiten und verlangen Sie eine Wertetabelle mit unterstützenden Belegen. Geben Sie für eine mehrsprachige Erklärung die Zielsprache und beizubehaltende Begriffe an.
Der Denkmodus ist standardmäßig aktiviert und erzeugt vor der endgültigen Antwort einen Denkblock. Die Steuerung enable_thinking des Herstellers kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die alten weichen Prompt-Schalter /think und /nothink nicht offiziell. Die Hinweise zum Gesprächsverlauf sehen endgültige Antworten ohne Denkinhalte vor. Das sollte von späteren Bewahrungsoptionen in Qwen3.6 oder der standardmäßigen Beibehaltung historischer Gedankengänge in Qwen3.8 getrennt bleiben.
Agentennutzung
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für repositorybezogene Arbeit. Definieren Sie die zulässigen Vorgänge, relevanten Belege und das fertige Ergebnis. Die Anwendung führt Werkzeuge aus und liefert deren Beobachtungen; das Modell kann diese Rückmeldungen nutzen, um seine Analyse zu überarbeiten. Ein geplanter Befehl oder generierter Patch ist keine ausgeführte Aktion, und der Modellname allein belegt keinen Zugriff auf aktuelle Informationen oder Dateien.
Sehr langer Kontext
Die Erweiterungsanleitung 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 ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten mindern und sollte deshalb konfiguriert werden, wenn der größere Kontext benötigt wird. Gliedern Sie umfangreiches Material mit Dokumentgrenzen, Codebezeichnern und einer klaren Frage, statt das Fenster mit sachfremden Belegen zu füllen.
Empfehlungen zur Generierung
In den Best Practices verwendet allgemeines Denken temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Präsenzstrafe von 1.5 und eine Wiederholungsstrafe von 1.0. 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. Für Schlussfolgern im direkten Modus geben die Best Practices temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0 an. Halten Sie diese aufgabenspezifischen Voreinstellungen getrennt; höhere Präsenzstrafen können zur Vermischung von Sprachen oder zu einer leichten Qualitätsminderung führen.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind keine gesondert festgelegten harten Ausgabeobergrenzen. Definieren Sie die Form der endgültigen Antwort ausdrücklich und prüfen Sie Berechnungen oder generierten Code anhand der bereitgestellten Bedingungen.
Video und inhaltliche Grenzen
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Die Hinweise des Herstellers für stundenlange Videos erweitern das Prozessorbudget bei höherer Abtastrate auf ungefähr 224K Videotokens. Das erfordert Konfiguration und verbraucht neben Aufgabe und Antwort Kontext; es ist keine bedingungslose Garantie für Dauer oder perfekte Erinnerung an Ereignisse. Erhalten Sie relevante Szenenübergänge und kleine Schrift und verlangen Sie ein Ergebnis mit Bezug zu den sichtbaren Belegen. Der praktische Wert liegt im gemeinsamen Aufgabenbereich des Checkpoints für Text und visuelle Inhalte sowie im wählbaren Antwortmodus, mit einem konkreten prüfbaren Artefakt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K Tokens Ausgabe · Ausgabetoken $0.00366 / 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 $0.00046 / 1K Tokens Ausgabe · Ausgabetoken $0.00366 / 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/qwen3.5-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.5-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es nimmt Text, Bilder und Videos für Denk-, Programmier- und werkzeuggestützte Aufgaben entgegen, mit Denkmodus, direktem Antwortmodus 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: ein Vision-Language-Checkpoint mit selektiver Aktivierung
Qwen3.5-35B-A3B ist ein nachtrainiertes Vision-Language-Modell, das Text-, Bild- und Videoverständnis mit Textantworten verbindet. Die Familie wird mit früher Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben trainiert und unterstützt Schlussfolgern, Programmieren, Agenten und visuelle Analyse. Sie beschreibt außerdem eine Abdeckung von 201 Sprachen und Dialekten. Diese Abdeckung ist eine Fähigkeit der Modellfamilie und kein Versprechen gleicher Qualität für jede Sprache oder Aufgabe.
Der konkrete offene Checkpoint ist von Qwen3.5-35B-A3B-Base und der späteren Veröffentlichung Qwen3.6 getrennt. Der Hersteller beschreibt zudem ein verwaltetes Flash-Angebot mit zusätzlichen Funktionen; diese Schnittstellenfunktionen dürfen dem offenen Checkpoint nicht automatisch zugeordnet werden. Behalten Sie die angeforderte Identität 35B-A3B bei, wenn Sie Ergebnisse vergleichen oder eine reproduzierbare Modellauswahl festhalten.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 40 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Es verfügt über 256 geroutete Experten; im dokumentierten Aufbau sind acht geroutete Experten und ein geteilter Experte aktiv. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Die Zahl aktivierter Parameter beschreibt nicht die Größe des vollständigen Checkpoints, und die Architektur allein garantiert keine Latenz in einer bestimmten Anwendung.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Qwen rät, für komplexe Denkaufgaben nach Möglichkeit mindestens einen Kontext von 128K beizubehalten, auch wenn ein kleineres Fenster den Speicherdruck reduzieren würde. Text, dargestelltes visuelles Material, Gesprächsverlauf, Gedankengang und endgültige Antwort benötigen alle Platz in der konfigurierten Sequenz.
Eingaben und Antwortmodi verwenden
Stellen Sie bei einer Programmieranfrage auf Basis eines Screenshots die visuelle Referenz, den bestehenden Quellcodekontext, Interaktionsanforderungen und das erwartete bearbeitbare Artefakt bereit. Erhalten Sie bei einem Diagramm oder Dokument Beschriftungen und Einheiten und verlangen Sie eine Wertetabelle mit unterstützenden Belegen. Geben Sie für eine mehrsprachige Erklärung die Zielsprache und beizubehaltende Begriffe an.
Der Denkmodus ist standardmäßig aktiviert und erzeugt vor der endgültigen Antwort einen Denkblock. Die Steuerung enable_thinking des Herstellers kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die alten weichen Prompt-Schalter /think und /nothink nicht offiziell. Die Hinweise zum Gesprächsverlauf sehen endgültige Antworten ohne Denkinhalte vor. Das sollte von späteren Bewahrungsoptionen in Qwen3.6 oder der standardmäßigen Beibehaltung historischer Gedankengänge in Qwen3.8 getrennt bleiben.
Agentennutzung
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für repositorybezogene Arbeit. Definieren Sie die zulässigen Vorgänge, relevanten Belege und das fertige Ergebnis. Die Anwendung führt Werkzeuge aus und liefert deren Beobachtungen; das Modell kann diese Rückmeldungen nutzen, um seine Analyse zu überarbeiten. Ein geplanter Befehl oder generierter Patch ist keine ausgeführte Aktion, und der Modellname allein belegt keinen Zugriff auf aktuelle Informationen oder Dateien.
Sehr langer Kontext
Die Erweiterungsanleitung 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 ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten mindern und sollte deshalb konfiguriert werden, wenn der größere Kontext benötigt wird. Gliedern Sie umfangreiches Material mit Dokumentgrenzen, Codebezeichnern und einer klaren Frage, statt das Fenster mit sachfremden Belegen zu füllen.
Empfehlungen zur Generierung
In den Best Practices verwendet allgemeines Denken temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Präsenzstrafe von 1.5 und eine Wiederholungsstrafe von 1.0. 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. Für Schlussfolgern im direkten Modus geben die Best Practices temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0 an. Halten Sie diese aufgabenspezifischen Voreinstellungen getrennt; höhere Präsenzstrafen können zur Vermischung von Sprachen oder zu einer leichten Qualitätsminderung führen.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind keine gesondert festgelegten harten Ausgabeobergrenzen. Definieren Sie die Form der endgültigen Antwort ausdrücklich und prüfen Sie Berechnungen oder generierten Code anhand der bereitgestellten Bedingungen.
Video und inhaltliche Grenzen
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Die Hinweise des Herstellers für stundenlange Videos erweitern das Prozessorbudget bei höherer Abtastrate auf ungefähr 224K Videotokens. Das erfordert Konfiguration und verbraucht neben Aufgabe und Antwort Kontext; es ist keine bedingungslose Garantie für Dauer oder perfekte Erinnerung an Ereignisse. Erhalten Sie relevante Szenenübergänge und kleine Schrift und verlangen Sie ein Ergebnis mit Bezug zu den sichtbaren Belegen. Der praktische Wert liegt im gemeinsamen Aufgabenbereich des Checkpoints für Text und visuelle Inhalte sowie im wählbaren Antwortmodus, mit einem konkreten prüfbaren Artefakt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K Tokens Ausgabe · Ausgabetoken $0.00366 / 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 $0.00046 / 1K Tokens Ausgabe · Ausgabetoken $0.00366 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.5-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.