Qwen3.5 im Überblick: der Checkpoint 397B-A17B
Qwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Mixture-of-Experts-Modell der Qwen3.5-Familie. Es nimmt Text, Bilder und Videos entgegen und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumentartefakte. Die Familie nutzt frühe Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben, um Schlussfolgern, Programmieren, Agenten und visuelles Verstehen zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und ist kein Versprechen identischer Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus gesondert als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Erhalten Sie die eigene Identität, den Kontext und die Generierungsanleitung dieses offenen Checkpoints, statt sämtliche verwalteten Funktionen oder spätere Qwen-Steuerungsmöglichkeiten zu übernehmen. Die konkrete Ausgabe 397B-A17B bleibt von kleineren dichten Modellen und Expertenmodellen derselben Familie getrennt.
Modellüberblick
Das Modell hat insgesamt 397 Milliarden Parameter und aktiviert 17 Milliarden. Sein hybrider Aufbau mit 60 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Gesamtparameter, aktivierte Parameter und die Speichergröße des vollständigen Checkpoints sind unterschiedliche Konzepte; diese Zahlen legen keine feste Antwortzeit fest.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf bis zu 1,010,000. Text, dargestellte Bilder oder Videos, Gesprächsverlauf, Gedankengang und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie für eine Aufgabe das tatsächlich konfigurierte Budget, statt anzunehmen, dass das umfangreichste Dokument und die längste Antwort automatisch gemeinsam hineinpassen.
Vorbereitung von Text und visuellen Belegen
Stellen Sie für ein technisches Projekt Spezifikation, relevanten Code und Diagramme bereit und definieren Sie das zu erstellende Artefakt. Verlangen Sie einen Implementierungsvorschlag, der nach betroffenen Komponenten gegliedert und durch die bereitgestellten Anforderungen belegt ist. Erhalten Sie bei einem Dokumentvergleich Abschnittsbezeichner, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Ergebnistabelle mit Belegen für jede Zeile. Geben Sie bei einem mehrsprachigen Bericht die Zielsprache und unverändert zu belassende Begriffe an.
Erhalten Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen mit, die nicht im Bild vorkommen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitangaben. Vergleichen Sie ausgegebene visuelle Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Textstellen und Zeitstempeln. Das Ergebnis bleibt Textanalyse oder Code; die visuellen Eingaben des Modells bedeuten keine Erzeugung von Bildern, Videos oder Sprache.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. Die Einstellung enable_thinking des Herstellers kann ihn für eine direkte Antwort deaktivieren. Die älteren weichen Prompt-Schalter /think und /nothink werden für Qwen3.5 nicht offiziell unterstützt. Sorgen Sie dafür, dass das fertige Artefakt nach dem Gedankengang leicht auffindbar ist, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder separater Codevorschlag.
Die Modellkarte empfiehlt, in historischen Assistentennachrichten endgültige Antworten ohne Denkinhalte beizubehalten. Das unterscheidet sich von Optionen und Standardwerten zur Bewahrung historischer Gedankengänge, die spätere Veröffentlichungen einführen. Befolgen Sie die Vorlage dieses konkreten Checkpoints und ordnen Sie Korrekturen oder Werkzeugbeobachtungen jener Aufgabe zu, die sie aktualisieren.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Arbeitsabläufe mit Programmieragenten. Geben Sie die zulässigen Vorgänge, verfügbaren Belege und beobachtbaren Abschlusskriterien an. Eine Anwendung führt Werkzeuge aus und liefert deren Ergebnisse; das Modell kann diese Beobachtungen nutzen, um seinen Plan oder seine Erklärung zu überarbeiten. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.
Sehr lange Texte und Videos
Die Erweiterung des Herstellers verwendet YaRN mit den eigenen 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 beeinflussen und sollte deshalb einem tatsächlichen Bedarf an größerem Kontext folgen. Gliedern Sie lange Eingaben nach Dokument-, Seiten- oder Codebezeichnern und lassen Sie Platz für das Ergebnis.
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller bei höherer Abtastrate ein größeres Prozessorbudget entsprechend ungefähr 224K Videotokens. Das ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelgenauigkeit.
Generierungshinweise und inhaltliche Grenzen
Die Best Practices dieses Checkpoints empfehlen temperature 0.6, top_p 0.95, top_k 20 und min_p 0 für den Denkmodus sowie temperature 0.7, top_p 0.8, top_k 20 und min_p 0 für direkte Antworten. Diese konkreten Empfehlungen unterscheiden sich von jenen einiger kleinerer Qwen3.5-Ausgaben. Soweit unterstützt, kann eine Präsenzstrafe zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben. Das sind Empfehlungen und keine unabhängig festgelegten harten Ausgabeobergrenzen. Legen Sie das benötigte Antwortformat fest und prüfen Sie Berechnungen, extrahierte Details und Codevorschläge anhand der Quelle. Die hilfreiche Ausgabe ist ein konkretes Textartefakt, dessen Belege und Annahmen sich prüfen lassen.
", "aboutText": "Qwen3.5 im Überblick: der Checkpoint 397B-A17B\n\nQwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Mixture-of-Experts-Modell der Qwen3.5-Familie. Es nimmt Text, Bilder und Videos entgegen und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumentartefakte. Die Familie nutzt frühe Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben, um Schlussfolgern, Programmieren, Agenten und visuelles Verstehen zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und ist kein Versprechen identischer Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.\n\nDer Hersteller beschreibt das verwaltete Qwen3.5-Plus gesondert als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Erhalten Sie die eigene Identität, den Kontext und die Generierungsanleitung dieses offenen Checkpoints, statt sämtliche verwalteten Funktionen oder spätere Qwen-Steuerungsmöglichkeiten zu übernehmen. Die konkrete Ausgabe 397B-A17B bleibt von kleineren dichten Modellen und Expertenmodellen derselben Familie getrennt.\n\nModellüberblick\n\nDas Modell hat insgesamt 397 Milliarden Parameter und aktiviert 17 Milliarden. Sein hybrider Aufbau mit 60 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Gesamtparameter, aktivierte Parameter und die Speichergröße des vollständigen Checkpoints sind unterschiedliche Konzepte; diese Zahlen legen keine feste Antwortzeit fest.\n\nDer native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf bis zu 1,010,000. Text, dargestellte Bilder oder Videos, Gesprächsverlauf, Gedankengang und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie für eine Aufgabe das tatsächlich konfigurierte Budget, statt anzunehmen, dass das umfangreichste Dokument und die längste Antwort automatisch gemeinsam hineinpassen.\n\nVorbereitung von Text und visuellen Belegen\n\nStellen Sie für ein technisches Projekt Spezifikation, relevanten Code und Diagramme bereit und definieren Sie das zu erstellende Artefakt. Verlangen Sie einen Implementierungsvorschlag, der nach betroffenen Komponenten gegliedert und durch die bereitgestellten Anforderungen belegt ist. Erhalten Sie bei einem Dokumentvergleich Abschnittsbezeichner, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Ergebnistabelle mit Belegen für jede Zeile. Geben Sie bei einem mehrsprachigen Bericht die Zielsprache und unverändert zu belassende Begriffe an.\n\nErhalten Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen mit, die nicht im Bild vorkommen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitangaben. Vergleichen Sie ausgegebene visuelle Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Textstellen und Zeitstempeln. Das Ergebnis bleibt Textanalyse oder Code; die visuellen Eingaben des Modells bedeuten keine Erzeugung von Bildern, Videos oder Sprache.\n\nDenkmodus und Gesprächsverlauf\n\nDer Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. Die Einstellung enable_thinking des Herstellers kann ihn für eine direkte Antwort deaktivieren. Die älteren weichen Prompt-Schalter /think und /nothink werden für Qwen3.5 nicht offiziell unterstützt. Sorgen Sie dafür, dass das fertige Artefakt nach dem Gedankengang leicht auffindbar ist, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder separater Codevorschlag.\n\nDie Modellkarte empfiehlt, in historischen Assistentennachrichten endgültige Antworten ohne Denkinhalte beizubehalten. Das unterscheidet sich von Optionen und Standardwerten zur Bewahrung historischer Gedankengänge, die spätere Veröffentlichungen einführen. Befolgen Sie die Vorlage dieses konkreten Checkpoints und ordnen Sie Korrekturen oder Werkzeugbeobachtungen jener Aufgabe zu, die sie aktualisieren.\n\nAgentennutzung\n\nQwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Arbeitsabläufe mit Programmieragenten. Geben Sie die zulässigen Vorgänge, verfügbaren Belege und beobachtbaren Abschlusskriterien an. Eine Anwendung führt Werkzeuge aus und liefert deren Ergebnisse; das Modell kann diese Beobachtungen nutzen, um seinen Plan oder seine Erklärung zu überarbeiten. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.\n\nSehr lange Texte und Videos\n\nDie Erweiterung des Herstellers verwendet YaRN mit den eigenen 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 beeinflussen und sollte deshalb einem tatsächlichen Bedarf an größerem Kontext folgen. Gliedern Sie lange Eingaben nach Dokument-, Seiten- oder Codebezeichnern und lassen Sie Platz für das Ergebnis.\n\nDas unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller bei höherer Abtastrate ein größeres Prozessorbudget entsprechend ungefähr 224K Videotokens. Das ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelgenauigkeit.\n\nGenerierungshinweise und inhaltliche Grenzen\n\nDie Best Practices dieses Checkpoints empfehlen temperature 0.6, top_p 0.95, top_k 20 und min_p 0 für den Denkmodus sowie temperature 0.7, top_p 0.8, top_k 20 und min_p 0 für direkte Antworten. Diese konkreten Empfehlungen unterscheiden sich von jenen einiger kleinerer Qwen3.5-Ausgaben. Soweit unterstützt, kann eine Präsenzstrafe zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern.\n\nEmpfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben. Das sind Empfehlungen und keine unabhängig festgelegten harten Ausgabeobergrenzen. Legen Sie das benötigte Antwortformat fest und prüfen Sie Berechnungen, extrahierte Details und Codevorschläge anhand der Quelle. Die hilfreiche Ausgabe ist ein konkretes Textartefakt, dessen Belege und Annahmen sich prüfen lassen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 397 Milliarden und 17 Milliarden aktivierten Parametern. Es nimmt Text, Bilder und Videos entgegen und liefert Text für Denk-, Programmier- und Agentenaufgaben, 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: der Checkpoint 397B-A17B
Qwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Mixture-of-Experts-Modell der Qwen3.5-Familie. Es nimmt Text, Bilder und Videos entgegen und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumentartefakte. Die Familie nutzt frühe Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben, um Schlussfolgern, Programmieren, Agenten und visuelles Verstehen zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und ist kein Versprechen identischer Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus gesondert als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Erhalten Sie die eigene Identität, den Kontext und die Generierungsanleitung dieses offenen Checkpoints, statt sämtliche verwalteten Funktionen oder spätere Qwen-Steuerungsmöglichkeiten zu übernehmen. Die konkrete Ausgabe 397B-A17B bleibt von kleineren dichten Modellen und Expertenmodellen derselben Familie getrennt.
Modellüberblick
Das Modell hat insgesamt 397 Milliarden Parameter und aktiviert 17 Milliarden. Sein hybrider Aufbau mit 60 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Gesamtparameter, aktivierte Parameter und die Speichergröße des vollständigen Checkpoints sind unterschiedliche Konzepte; diese Zahlen legen keine feste Antwortzeit fest.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf bis zu 1,010,000. Text, dargestellte Bilder oder Videos, Gesprächsverlauf, Gedankengang und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie für eine Aufgabe das tatsächlich konfigurierte Budget, statt anzunehmen, dass das umfangreichste Dokument und die längste Antwort automatisch gemeinsam hineinpassen.
Vorbereitung von Text und visuellen Belegen
Stellen Sie für ein technisches Projekt Spezifikation, relevanten Code und Diagramme bereit und definieren Sie das zu erstellende Artefakt. Verlangen Sie einen Implementierungsvorschlag, der nach betroffenen Komponenten gegliedert und durch die bereitgestellten Anforderungen belegt ist. Erhalten Sie bei einem Dokumentvergleich Abschnittsbezeichner, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Ergebnistabelle mit Belegen für jede Zeile. Geben Sie bei einem mehrsprachigen Bericht die Zielsprache und unverändert zu belassende Begriffe an.
Erhalten Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen mit, die nicht im Bild vorkommen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitangaben. Vergleichen Sie ausgegebene visuelle Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Textstellen und Zeitstempeln. Das Ergebnis bleibt Textanalyse oder Code; die visuellen Eingaben des Modells bedeuten keine Erzeugung von Bildern, Videos oder Sprache.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. Die Einstellung enable_thinking des Herstellers kann ihn für eine direkte Antwort deaktivieren. Die älteren weichen Prompt-Schalter /think und /nothink werden für Qwen3.5 nicht offiziell unterstützt. Sorgen Sie dafür, dass das fertige Artefakt nach dem Gedankengang leicht auffindbar ist, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder separater Codevorschlag.
Die Modellkarte empfiehlt, in historischen Assistentennachrichten endgültige Antworten ohne Denkinhalte beizubehalten. Das unterscheidet sich von Optionen und Standardwerten zur Bewahrung historischer Gedankengänge, die spätere Veröffentlichungen einführen. Befolgen Sie die Vorlage dieses konkreten Checkpoints und ordnen Sie Korrekturen oder Werkzeugbeobachtungen jener Aufgabe zu, die sie aktualisieren.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Arbeitsabläufe mit Programmieragenten. Geben Sie die zulässigen Vorgänge, verfügbaren Belege und beobachtbaren Abschlusskriterien an. Eine Anwendung führt Werkzeuge aus und liefert deren Ergebnisse; das Modell kann diese Beobachtungen nutzen, um seinen Plan oder seine Erklärung zu überarbeiten. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.
Sehr lange Texte und Videos
Die Erweiterung des Herstellers verwendet YaRN mit den eigenen 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 beeinflussen und sollte deshalb einem tatsächlichen Bedarf an größerem Kontext folgen. Gliedern Sie lange Eingaben nach Dokument-, Seiten- oder Codebezeichnern und lassen Sie Platz für das Ergebnis.
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller bei höherer Abtastrate ein größeres Prozessorbudget entsprechend ungefähr 224K Videotokens. Das ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelgenauigkeit.
Generierungshinweise und inhaltliche Grenzen
Die Best Practices dieses Checkpoints empfehlen temperature 0.6, top_p 0.95, top_k 20 und min_p 0 für den Denkmodus sowie temperature 0.7, top_p 0.8, top_k 20 und min_p 0 für direkte Antworten. Diese konkreten Empfehlungen unterscheiden sich von jenen einiger kleinerer Qwen3.5-Ausgaben. Soweit unterstützt, kann eine Präsenzstrafe zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben. Das sind Empfehlungen und keine unabhängig festgelegten harten Ausgabeobergrenzen. Legen Sie das benötigte Antwortformat fest und prüfen Sie Berechnungen, extrahierte Details und Codevorschläge anhand der Quelle. Die hilfreiche Ausgabe ist ein konkretes Textartefakt, dessen Belege und Annahmen sich prüfen lassen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K Tokens Ausgabe · Ausgabetoken $0.00468 / 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 $0.00078 / 1K Tokens Ausgabe · Ausgabetoken $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 397 Milliarden und 17 Milliarden aktivierten Parametern. Es nimmt Text, Bilder und Videos entgegen und liefert Text für Denk-, Programmier- und Agentenaufgaben, 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: der Checkpoint 397B-A17B
Qwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Mixture-of-Experts-Modell der Qwen3.5-Familie. Es nimmt Text, Bilder und Videos entgegen und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumentartefakte. Die Familie nutzt frühe Text-Bild-Fusion und Reinforcement Learning anhand zunehmend komplexer Aufgaben, um Schlussfolgern, Programmieren, Agenten und visuelles Verstehen zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und ist kein Versprechen identischer Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus gesondert als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Erhalten Sie die eigene Identität, den Kontext und die Generierungsanleitung dieses offenen Checkpoints, statt sämtliche verwalteten Funktionen oder spätere Qwen-Steuerungsmöglichkeiten zu übernehmen. Die konkrete Ausgabe 397B-A17B bleibt von kleineren dichten Modellen und Expertenmodellen derselben Familie getrennt.
Modellüberblick
Das Modell hat insgesamt 397 Milliarden Parameter und aktiviert 17 Milliarden. Sein hybrider Aufbau mit 60 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token-Prediction sind Teil des Modells. Gesamtparameter, aktivierte Parameter und die Speichergröße des vollständigen Checkpoints sind unterschiedliche Konzepte; diese Zahlen legen keine feste Antwortzeit fest.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf bis zu 1,010,000. Text, dargestellte Bilder oder Videos, Gesprächsverlauf, Gedankengang und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie für eine Aufgabe das tatsächlich konfigurierte Budget, statt anzunehmen, dass das umfangreichste Dokument und die längste Antwort automatisch gemeinsam hineinpassen.
Vorbereitung von Text und visuellen Belegen
Stellen Sie für ein technisches Projekt Spezifikation, relevanten Code und Diagramme bereit und definieren Sie das zu erstellende Artefakt. Verlangen Sie einen Implementierungsvorschlag, der nach betroffenen Komponenten gegliedert und durch die bereitgestellten Anforderungen belegt ist. Erhalten Sie bei einem Dokumentvergleich Abschnittsbezeichner, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Ergebnistabelle mit Belegen für jede Zeile. Geben Sie bei einem mehrsprachigen Bericht die Zielsprache und unverändert zu belassende Begriffe an.
Erhalten Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen mit, die nicht im Bild vorkommen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitangaben. Vergleichen Sie ausgegebene visuelle Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Textstellen und Zeitstempeln. Das Ergebnis bleibt Textanalyse oder Code; die visuellen Eingaben des Modells bedeuten keine Erzeugung von Bildern, Videos oder Sprache.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. Die Einstellung enable_thinking des Herstellers kann ihn für eine direkte Antwort deaktivieren. Die älteren weichen Prompt-Schalter /think und /nothink werden für Qwen3.5 nicht offiziell unterstützt. Sorgen Sie dafür, dass das fertige Artefakt nach dem Gedankengang leicht auffindbar ist, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder separater Codevorschlag.
Die Modellkarte empfiehlt, in historischen Assistentennachrichten endgültige Antworten ohne Denkinhalte beizubehalten. Das unterscheidet sich von Optionen und Standardwerten zur Bewahrung historischer Gedankengänge, die spätere Veröffentlichungen einführen. Befolgen Sie die Vorlage dieses konkreten Checkpoints und ordnen Sie Korrekturen oder Werkzeugbeobachtungen jener Aufgabe zu, die sie aktualisieren.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Arbeitsabläufe mit Programmieragenten. Geben Sie die zulässigen Vorgänge, verfügbaren Belege und beobachtbaren Abschlusskriterien an. Eine Anwendung führt Werkzeuge aus und liefert deren Ergebnisse; das Modell kann diese Beobachtungen nutzen, um seinen Plan oder seine Erklärung zu überarbeiten. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.
Sehr lange Texte und Videos
Die Erweiterung des Herstellers verwendet YaRN mit den eigenen 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 beeinflussen und sollte deshalb einem tatsächlichen Bedarf an größerem Kontext folgen. Gliedern Sie lange Eingaben nach Dokument-, Seiten- oder Codebezeichnern und lassen Sie Platz für das Ergebnis.
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller bei höherer Abtastrate ein größeres Prozessorbudget entsprechend ungefähr 224K Videotokens. Das ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelgenauigkeit.
Generierungshinweise und inhaltliche Grenzen
Die Best Practices dieses Checkpoints empfehlen temperature 0.6, top_p 0.95, top_k 20 und min_p 0 für den Denkmodus sowie temperature 0.7, top_p 0.8, top_k 20 und min_p 0 für direkte Antworten. Diese konkreten Empfehlungen unterscheiden sich von jenen einiger kleinerer Qwen3.5-Ausgaben. Soweit unterstützt, kann eine Präsenzstrafe zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern.
Empfohlen werden Generierungsbudgets von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben. Das sind Empfehlungen und keine unabhängig festgelegten harten Ausgabeobergrenzen. Legen Sie das benötigte Antwortformat fest und prüfen Sie Berechnungen, extrahierte Details und Codevorschläge anhand der Quelle. Die hilfreiche Ausgabe ist ein konkretes Textartefakt, dessen Belege und Annahmen sich prüfen lassen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K Tokens Ausgabe · Ausgabetoken $0.00468 / 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 $0.00078 / 1K Tokens Ausgabe · Ausgabetoken $0.00468 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.