Qwen3.5 im Überblick: die dichte 9B-Ausgabe
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er nimmt Text, Bilder und Videos entgegen und gibt Text aus. Die Familie vereint Schlussfolgern, Programmieren, Agenten und visuelles Verstehen durch frühe Fusion des Text- und Bildtrainings, Reinforcement Learning anhand zunehmend komplexer Aufgaben und Unterstützung für 201 Sprachen und Dialekte. Diese Sprachabdeckung ist eine Fähigkeit der Modellfamilie und keine Garantie für identische Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.
Geben Sie bei mehrsprachiger Dokumentarbeit die Zielsprache an, erhalten Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellfelder oder Textstellen benennt. Stellen Sie für eine visuelle Frage ein lesbares Bild und eine präzise Aufgabe bereit. Liefern Sie bei einer kleinen Programmieranfrage die Eingabe, das gewünschte Verhalten und den relevanten Code. Das Modell erzeugt bei der Analyse visuellen Materials keine Bilder oder Videos.
Modellüberblick
Dieses konkrete 9B-Modell ist dicht und verfügt über 32 Sprachmodellschichten sowie einen Vision-Encoder. Sein hybrider Aufbau wiederholt drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, und verwendet dichte Feedforward-Netze. Multi-Token-Prediction ist Bestandteil des Trainings. Die Familie enthält auch Expertenmodelle mit selektiver Aktivierung; deren Angaben zu gesamten und aktivierten Parametern dürfen jedoch nicht auf diese dichte Ausgabe übertragen werden.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Konfiguration und numerische Größe des Modells sollten von seinem Base-Checkpoint, anderen Qwen3.5-Größen und quantisierten Builds getrennt bleiben. Eine geringere Parameterzahl kennzeichnet die Ausgabe; sie begründet für sich allein keine allgemeingültige Antwortzeit oder Qualitätsrangfolge. Für komplexe Denkaufgaben empfiehlt Qwen, nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Tokens beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Fragen zu Bildern und Videos. Stellen Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern oder eine Videofrage mit dem maßgeblichen Ereignis und Zeitbereich. Erhalten Sie Beschriftungen, Einheiten und die Bildreihenfolge. Verlangen Sie ein Ergebnis, das sich mit der Quelle vergleichen lässt, etwa eine Tabelle extrahierter Werte oder eine Erklärung mit Verweisen auf sichtbare Belege.
Der Denkmodus ist standardmäßig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren weichen Prompt-Schalter /think und /nothink werden hingegen nicht offiziell unterstützt. Verwenden Sie die Vorlage des Herstellers und halten Sie den Gedankengang vom fertigen Text getrennt, wenn die Schnittstelle beides bereitstellt. Die Empfehlung für den Qwen3.5-Gesprächsverlauf lautet, endgültige Antworten ohne ihre Denkinhalte zu behalten; neueres Verhalten zum Beibehalten historischer Inhalte sollte nicht in diese Veröffentlichung übernommen werden.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent einschließlich konfigurierter oder über MCP angebundener Werkzeuge sowie Qwen Code für die Arbeit mit Programmieragenten. Geben Sie die zulässigen Werkzeuge und das beobachtbare Ergebnis an. Ein angebundenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschließend in seiner Antwort verwenden. Die Werkzeuge und externen Aktionen gehören zur Anwendung, daher belegt der Modellname allein weder Zugriff noch Ausführung.
Sehr lange Texte
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für 524,288 Tokens schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte deshalb dem tatsächlichen Bedarf an längerem Kontext folgen. Eingabe, visuelle Darstellung, Gesprächsverlauf, Gedankengang und endgültige Ausgabe teilen sich das Sequenzbudget. Gliedern Sie umfangreiches Material nach Dokument- oder Codebezeichnern und lassen Sie Platz für das angeforderte Artefakt.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeines Denken verwendet 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 Denkaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0. Das sind aufgabenspezifische Anleitungen und keine Werte, die beliebig vermischt werden sollten. Höhere Präsenzstrafen können zur Vermischung von Sprachen oder zu einer leichten Qualitätsminderung führen.
Qwen empfiehlt ein Generierungsbudget von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierfragen. Das sind Empfehlungen und keine unabhängig festgelegten harten Ausgabeobergrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und inhaltliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Arbeitsablauf standardmäßig zwei Bilder pro Sekunde. Die Hinweise für stundenlanges Material erweitern das Budget des Videoprozessors für eine höhere Abtastrate auf ungefähr 224K Videotokens. Das sind konfigurationsabhängige Beispiele und keine allgemeingültige Garantie für Dauer oder Ereigniszeitpunkte. Halten Sie kleine Schrift und wichtige Szenenübergänge lesbar und prüfen Sie extrahierten Text, Berechnungen und generierten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Ausgabe liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte sowie im steuerbaren Antwortmodus, wobei ihre genaue dichte Modellidentität erhalten bleibt.
", "aboutText": "Qwen3.5 im Überblick: die dichte 9B-Ausgabe\n\nQwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er nimmt Text, Bilder und Videos entgegen und gibt Text aus. Die Familie vereint Schlussfolgern, Programmieren, Agenten und visuelles Verstehen durch frühe Fusion des Text- und Bildtrainings, Reinforcement Learning anhand zunehmend komplexer Aufgaben und Unterstützung für 201 Sprachen und Dialekte. Diese Sprachabdeckung ist eine Fähigkeit der Modellfamilie und keine Garantie für identische Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.\n\nGeben Sie bei mehrsprachiger Dokumentarbeit die Zielsprache an, erhalten Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellfelder oder Textstellen benennt. Stellen Sie für eine visuelle Frage ein lesbares Bild und eine präzise Aufgabe bereit. Liefern Sie bei einer kleinen Programmieranfrage die Eingabe, das gewünschte Verhalten und den relevanten Code. Das Modell erzeugt bei der Analyse visuellen Materials keine Bilder oder Videos.\n\nModellüberblick\n\nDieses konkrete 9B-Modell ist dicht und verfügt über 32 Sprachmodellschichten sowie einen Vision-Encoder. Sein hybrider Aufbau wiederholt drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, und verwendet dichte Feedforward-Netze. Multi-Token-Prediction ist Bestandteil des Trainings. Die Familie enthält auch Expertenmodelle mit selektiver Aktivierung; deren Angaben zu gesamten und aktivierten Parametern dürfen jedoch nicht auf diese dichte Ausgabe übertragen werden.\n\nDer native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Konfiguration und numerische Größe des Modells sollten von seinem Base-Checkpoint, anderen Qwen3.5-Größen und quantisierten Builds getrennt bleiben. Eine geringere Parameterzahl kennzeichnet die Ausgabe; sie begründet für sich allein keine allgemeingültige Antwortzeit oder Qualitätsrangfolge. Für komplexe Denkaufgaben empfiehlt Qwen, nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Tokens beizubehalten.\n\nEingaben und Antwortmodi\n\nDer Hersteller zeigt reine Textfragen sowie Fragen zu Bildern und Videos. Stellen Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern oder eine Videofrage mit dem maßgeblichen Ereignis und Zeitbereich. Erhalten Sie Beschriftungen, Einheiten und die Bildreihenfolge. Verlangen Sie ein Ergebnis, das sich mit der Quelle vergleichen lässt, etwa eine Tabelle extrahierter Werte oder eine Erklärung mit Verweisen auf sichtbare Belege.\n\nDer Denkmodus ist standardmäßig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren weichen Prompt-Schalter /think und /nothink werden hingegen nicht offiziell unterstützt. Verwenden Sie die Vorlage des Herstellers und halten Sie den Gedankengang vom fertigen Text getrennt, wenn die Schnittstelle beides bereitstellt. Die Empfehlung für den Qwen3.5-Gesprächsverlauf lautet, endgültige Antworten ohne ihre Denkinhalte zu behalten; neueres Verhalten zum Beibehalten historischer Inhalte sollte nicht in diese Veröffentlichung übernommen werden.\n\nAgentennutzung\n\nQwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent einschließlich konfigurierter oder über MCP angebundener Werkzeuge sowie Qwen Code für die Arbeit mit Programmieragenten. Geben Sie die zulässigen Werkzeuge und das beobachtbare Ergebnis an. Ein angebundenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschließend in seiner Antwort verwenden. Die Werkzeuge und externen Aktionen gehören zur Anwendung, daher belegt der Modellname allein weder Zugriff noch Ausführung.\n\nSehr lange Texte\n\nDie dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für 524,288 Tokens schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte deshalb dem tatsächlichen Bedarf an längerem Kontext folgen. Eingabe, visuelle Darstellung, Gesprächsverlauf, Gedankengang und endgültige Ausgabe teilen sich das Sequenzbudget. Gliedern Sie umfangreiches Material nach Dokument- oder Codebezeichnern und lassen Sie Platz für das angeforderte Artefakt.\n\nEmpfehlungen zur Generierung\n\nDie Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeines Denken verwendet 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 Denkaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0. Das sind aufgabenspezifische Anleitungen und keine Werte, die beliebig vermischt werden sollten. Höhere Präsenzstrafen können zur Vermischung von Sprachen oder zu einer leichten Qualitätsminderung führen.\n\nQwen empfiehlt ein Generierungsbudget von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierfragen. Das sind Empfehlungen und keine unabhängig festgelegten harten Ausgabeobergrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.\n\nVideodetails und inhaltliche Grenzen\n\nDas Videobeispiel des Herstellers verwendet im unterstützten Arbeitsablauf standardmäßig zwei Bilder pro Sekunde. Die Hinweise für stundenlanges Material erweitern das Budget des Videoprozessors für eine höhere Abtastrate auf ungefähr 224K Videotokens. Das sind konfigurationsabhängige Beispiele und keine allgemeingültige Garantie für Dauer oder Ereigniszeitpunkte. Halten Sie kleine Schrift und wichtige Szenenübergänge lesbar und prüfen Sie extrahierten Text, Berechnungen und generierten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Ausgabe liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte sowie im steuerbaren Antwortmodus, wobei ihre genaue dichte Modellidentität erhalten bleibt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B ist Qwens dichtes Vision-Language-Modell mit 9 Milliarden Parametern für Text, Bilder und Videos mit Textausgabe. Es verbindet Schlussfolgern, Programmieren, Werkzeugaufrufe und mehrsprachige Arbeit mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Tokens, der sich über die Konfiguration erweitern lässt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.5 im Überblick: die dichte 9B-Ausgabe
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er nimmt Text, Bilder und Videos entgegen und gibt Text aus. Die Familie vereint Schlussfolgern, Programmieren, Agenten und visuelles Verstehen durch frühe Fusion des Text- und Bildtrainings, Reinforcement Learning anhand zunehmend komplexer Aufgaben und Unterstützung für 201 Sprachen und Dialekte. Diese Sprachabdeckung ist eine Fähigkeit der Modellfamilie und keine Garantie für identische Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.
Geben Sie bei mehrsprachiger Dokumentarbeit die Zielsprache an, erhalten Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellfelder oder Textstellen benennt. Stellen Sie für eine visuelle Frage ein lesbares Bild und eine präzise Aufgabe bereit. Liefern Sie bei einer kleinen Programmieranfrage die Eingabe, das gewünschte Verhalten und den relevanten Code. Das Modell erzeugt bei der Analyse visuellen Materials keine Bilder oder Videos.
Modellüberblick
Dieses konkrete 9B-Modell ist dicht und verfügt über 32 Sprachmodellschichten sowie einen Vision-Encoder. Sein hybrider Aufbau wiederholt drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, und verwendet dichte Feedforward-Netze. Multi-Token-Prediction ist Bestandteil des Trainings. Die Familie enthält auch Expertenmodelle mit selektiver Aktivierung; deren Angaben zu gesamten und aktivierten Parametern dürfen jedoch nicht auf diese dichte Ausgabe übertragen werden.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Konfiguration und numerische Größe des Modells sollten von seinem Base-Checkpoint, anderen Qwen3.5-Größen und quantisierten Builds getrennt bleiben. Eine geringere Parameterzahl kennzeichnet die Ausgabe; sie begründet für sich allein keine allgemeingültige Antwortzeit oder Qualitätsrangfolge. Für komplexe Denkaufgaben empfiehlt Qwen, nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Tokens beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Fragen zu Bildern und Videos. Stellen Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern oder eine Videofrage mit dem maßgeblichen Ereignis und Zeitbereich. Erhalten Sie Beschriftungen, Einheiten und die Bildreihenfolge. Verlangen Sie ein Ergebnis, das sich mit der Quelle vergleichen lässt, etwa eine Tabelle extrahierter Werte oder eine Erklärung mit Verweisen auf sichtbare Belege.
Der Denkmodus ist standardmäßig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren weichen Prompt-Schalter /think und /nothink werden hingegen nicht offiziell unterstützt. Verwenden Sie die Vorlage des Herstellers und halten Sie den Gedankengang vom fertigen Text getrennt, wenn die Schnittstelle beides bereitstellt. Die Empfehlung für den Qwen3.5-Gesprächsverlauf lautet, endgültige Antworten ohne ihre Denkinhalte zu behalten; neueres Verhalten zum Beibehalten historischer Inhalte sollte nicht in diese Veröffentlichung übernommen werden.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent einschließlich konfigurierter oder über MCP angebundener Werkzeuge sowie Qwen Code für die Arbeit mit Programmieragenten. Geben Sie die zulässigen Werkzeuge und das beobachtbare Ergebnis an. Ein angebundenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschließend in seiner Antwort verwenden. Die Werkzeuge und externen Aktionen gehören zur Anwendung, daher belegt der Modellname allein weder Zugriff noch Ausführung.
Sehr lange Texte
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für 524,288 Tokens schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte deshalb dem tatsächlichen Bedarf an längerem Kontext folgen. Eingabe, visuelle Darstellung, Gesprächsverlauf, Gedankengang und endgültige Ausgabe teilen sich das Sequenzbudget. Gliedern Sie umfangreiches Material nach Dokument- oder Codebezeichnern und lassen Sie Platz für das angeforderte Artefakt.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeines Denken verwendet 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 Denkaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0. Das sind aufgabenspezifische Anleitungen und keine Werte, die beliebig vermischt werden sollten. Höhere Präsenzstrafen können zur Vermischung von Sprachen oder zu einer leichten Qualitätsminderung führen.
Qwen empfiehlt ein Generierungsbudget von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierfragen. Das sind Empfehlungen und keine unabhängig festgelegten harten Ausgabeobergrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und inhaltliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Arbeitsablauf standardmäßig zwei Bilder pro Sekunde. Die Hinweise für stundenlanges Material erweitern das Budget des Videoprozessors für eine höhere Abtastrate auf ungefähr 224K Videotokens. Das sind konfigurationsabhängige Beispiele und keine allgemeingültige Garantie für Dauer oder Ereigniszeitpunkte. Halten Sie kleine Schrift und wichtige Szenenübergänge lesbar und prüfen Sie extrahierten Text, Berechnungen und generierten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Ausgabe liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte sowie im steuerbaren Antwortmodus, wobei ihre genaue dichte Modellidentität erhalten bleibt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-9b | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-9bQwen3.5-9B ist Qwens dichtes Vision-Language-Modell mit 9 Milliarden Parametern für Text, Bilder und Videos mit Textausgabe. Es verbindet Schlussfolgern, Programmieren, Werkzeugaufrufe und mehrsprachige Arbeit mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Tokens, der sich über die Konfiguration erweitern lässt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.5 im Überblick: die dichte 9B-Ausgabe
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er nimmt Text, Bilder und Videos entgegen und gibt Text aus. Die Familie vereint Schlussfolgern, Programmieren, Agenten und visuelles Verstehen durch frühe Fusion des Text- und Bildtrainings, Reinforcement Learning anhand zunehmend komplexer Aufgaben und Unterstützung für 201 Sprachen und Dialekte. Diese Sprachabdeckung ist eine Fähigkeit der Modellfamilie und keine Garantie für identische Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.
Geben Sie bei mehrsprachiger Dokumentarbeit die Zielsprache an, erhalten Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellfelder oder Textstellen benennt. Stellen Sie für eine visuelle Frage ein lesbares Bild und eine präzise Aufgabe bereit. Liefern Sie bei einer kleinen Programmieranfrage die Eingabe, das gewünschte Verhalten und den relevanten Code. Das Modell erzeugt bei der Analyse visuellen Materials keine Bilder oder Videos.
Modellüberblick
Dieses konkrete 9B-Modell ist dicht und verfügt über 32 Sprachmodellschichten sowie einen Vision-Encoder. Sein hybrider Aufbau wiederholt drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, und verwendet dichte Feedforward-Netze. Multi-Token-Prediction ist Bestandteil des Trainings. Die Familie enthält auch Expertenmodelle mit selektiver Aktivierung; deren Angaben zu gesamten und aktivierten Parametern dürfen jedoch nicht auf diese dichte Ausgabe übertragen werden.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Konfiguration und numerische Größe des Modells sollten von seinem Base-Checkpoint, anderen Qwen3.5-Größen und quantisierten Builds getrennt bleiben. Eine geringere Parameterzahl kennzeichnet die Ausgabe; sie begründet für sich allein keine allgemeingültige Antwortzeit oder Qualitätsrangfolge. Für komplexe Denkaufgaben empfiehlt Qwen, nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Tokens beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Fragen zu Bildern und Videos. Stellen Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern oder eine Videofrage mit dem maßgeblichen Ereignis und Zeitbereich. Erhalten Sie Beschriftungen, Einheiten und die Bildreihenfolge. Verlangen Sie ein Ergebnis, das sich mit der Quelle vergleichen lässt, etwa eine Tabelle extrahierter Werte oder eine Erklärung mit Verweisen auf sichtbare Belege.
Der Denkmodus ist standardmäßig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren weichen Prompt-Schalter /think und /nothink werden hingegen nicht offiziell unterstützt. Verwenden Sie die Vorlage des Herstellers und halten Sie den Gedankengang vom fertigen Text getrennt, wenn die Schnittstelle beides bereitstellt. Die Empfehlung für den Qwen3.5-Gesprächsverlauf lautet, endgültige Antworten ohne ihre Denkinhalte zu behalten; neueres Verhalten zum Beibehalten historischer Inhalte sollte nicht in diese Veröffentlichung übernommen werden.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent einschließlich konfigurierter oder über MCP angebundener Werkzeuge sowie Qwen Code für die Arbeit mit Programmieragenten. Geben Sie die zulässigen Werkzeuge und das beobachtbare Ergebnis an. Ein angebundenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschließend in seiner Antwort verwenden. Die Werkzeuge und externen Aktionen gehören zur Anwendung, daher belegt der Modellname allein weder Zugriff noch Ausführung.
Sehr lange Texte
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Arbeitsablauf mit ungefähr einer Million Tokens ab; für 524,288 Tokens schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte deshalb dem tatsächlichen Bedarf an längerem Kontext folgen. Eingabe, visuelle Darstellung, Gesprächsverlauf, Gedankengang und endgültige Ausgabe teilen sich das Sequenzbudget. Gliedern Sie umfangreiches Material nach Dokument- oder Codebezeichnern und lassen Sie Platz für das angeforderte Artefakt.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeines Denken verwendet 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 Denkaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und eine Präsenzstrafe von 2.0. Das sind aufgabenspezifische Anleitungen und keine Werte, die beliebig vermischt werden sollten. Höhere Präsenzstrafen können zur Vermischung von Sprachen oder zu einer leichten Qualitätsminderung führen.
Qwen empfiehlt ein Generierungsbudget von 32,768 Tokens für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierfragen. Das sind Empfehlungen und keine unabhängig festgelegten harten Ausgabeobergrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und inhaltliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Arbeitsablauf standardmäßig zwei Bilder pro Sekunde. Die Hinweise für stundenlanges Material erweitern das Budget des Videoprozessors für eine höhere Abtastrate auf ungefähr 224K Videotokens. Das sind konfigurationsabhängige Beispiele und keine allgemeingültige Garantie für Dauer oder Ereigniszeitpunkte. Halten Sie kleine Schrift und wichtige Szenenübergänge lesbar und prüfen Sie extrahierten Text, Berechnungen und generierten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Ausgabe liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte sowie im steuerbaren Antwortmodus, wobei ihre genaue dichte Modellidentität erhalten bleibt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-9b | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.