Der Plus-Snapshot vom 15. Februar
Qwen3.5 Plus 2026-02-15 ist die feste Veröffentlichung vom 15. Februar 2026 aus Qwens nativer Vision-Language-Familie Plus. Die dokumentierte Architektur verbindet lineare Attention mit Mixture-of-Experts-Berechnung bei selektiver Expertenaktivierung und unterstützt sowohl Textaufgaben als auch multimodale Aufgaben. Als Eingaben dienen Text, Bilder und Videos; die Antwort ist Text, etwa eine Erklärung, ein Codevorschlag oder ein Dokumentartefakt. Der datierte Name verleiht dieser Ausgabe eine eindeutige Identität innerhalb der Plus-Familie.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus als Entsprechung des offenen Modells Qwen3.5-397B-A17B, ergänzt um Funktionen wie einen standardmäßigen Kontext von einer Million Tokens, integrierte Werkzeuge und adaptive Werkzeugnutzung. Die beiden Angebote behalten eigenständige Namen und Schnittstellenverträge. Die genauen Expertenzahlen, die numerische Darstellung und der native Kontext des offenen Checkpoints dürfen nicht stillschweigend als vollständige Spezifikation dieser datierten Plus-Veröffentlichung übernommen werden.
Gemeinsame Arbeit mit Text und visuellen Inhalten
Die Qwen3.5-Familie entwickelt Fähigkeiten zum Schlussfolgern, Programmieren, für Agenten und zum visuellen Verstehen durch frühe Fusion von Text und Bild sowie Reinforcement Learning anhand zunehmend komplexer Aufgaben. Ihre Familienbeschreibung umfasst 201 Sprachen und Dialekte. Geben Sie bei mehrsprachigen Aufgaben die Zielsprache, die Zielgruppe und beizubehaltende Begriffe an; erhalten Sie bei visuellen Aufgaben jene Beschriftungen, Tabellenüberschriften oder Diagrammdefinitionen, die für die Frage benötigt werden.
Eine hilfreiche Dokumentanfrage kann einen Vergleich verlangen, der nach denselben Abschnitten wie die Quelle gegliedert ist und zu jeder Feststellung belegende Textstellen enthält. Eine Programmieranfrage kann einen Screenshot, den relevanten bestehenden Code und funktionale Anforderungen verbinden und anschließend bearbeitbaren Quellcode sowie eine separate Erklärung des Verhaltens verlangen. Benennen Sie bei Videos das maßgebliche Ereignis oder die relevante Abfolge und erhalten Sie die Zeitangaben. Prüfen Sie die ausgegebenen Textstellen, visuellen Details und Codevorschläge anhand des bereitgestellten Materials.
Schlussfolgern und direkte Antworten
Der Modusleitfaden des Herstellers führt die Qwen3.5 Plus-Familie und den Snapshot vom 15. Februar als Hybrid-Thinking-Modelle an; der Denkmodus ist standardmäßig aktiviert. Im dokumentierten hybriden Arbeitsablauf lässt sich das Denken für eine direkte Antwort deaktivieren. Halten Sie den Gedankengang vom fertigen Artefakt getrennt, wenn die gewählte Schnittstelle beides bereitstellt. Legen Sie eine klare Endform fest, etwa eine Ergebnistabelle, eine durch Trennzeichen abgegrenzte Antwort oder Codedateien, damit sich das Ergebnis leicht prüfen lässt.
Der offene Qwen3.5-Checkpoint hat eigene Vorgaben für den Gesprächsverlauf und das Sampling. Spätere Qwen-Generationen führen zudem andere Standardwerte und Steuerungsmöglichkeiten für das Beibehalten von Gedankengängen ein. Befolgen Sie die Anleitung der konkreten Plus-Schnittstelle, statt anzunehmen, dass ein Prompt-Marker, ein Parametercontainer oder das Verhalten des Gesprächsverlaufs für jede Ausgabe mit dem Namen Qwen gilt.
Werkzeuge und adaptive Arbeit
Die Plus-Referenz des Anbieters beschreibt integrierte und adaptive Werkzeugnutzung. Eine Aufgabe kann einem angebundenen Arbeitsablauf erlauben, Belege abzurufen, bereitgestelltes Material zu prüfen oder Ergebnisse zulässiger Vorgänge zurückzugeben. Geben Sie die verfügbaren Werkzeuge, die erlaubten Aktionen und die beobachtbare Abschlussbedingung an. Das Modell kann tatsächliche Rückmeldungen nutzen, um seine Analyse zu überarbeiten und den nächsten Schritt zu wählen; die Anwendung führt externe Aktionen aus und liefert deren Ergebnisse.
Verlangen Sie bei einer Agentenaufgabe, dass der Abschlussbericht das entstandene Artefakt, unterstützende Belege und ungeklärte Bedingungen zeigt. Unterscheiden Sie einen vorgeschlagenen Patch oder eine Suchabfrage von einem tatsächlich zurückgegebenen Werkzeugergebnis. Die Anforderung von Text in JSON-Form begründet für sich allein keinen Vertrag zur Schemaerzwingung, und die Aufforderung, Code auszuführen, schafft nicht eigenständig eine Ausführungsumgebung.
Vorbereitung für lange Kontexte
Qwens Referenz für das verwaltete Plus beschreibt einen standardmäßigen Kontext von einer Million Tokens. Halten Sie in umfangreichen Eingaben Dokumentgrenzen, Codebezeichner und Definitionen sichtbar und reservieren Sie Platz für den Gedankengang und die endgültige Antwort. Verwenden Sie für diesen Arbeitsablauf das Kontextbudget des verwalteten Plus; der offene 397B-Checkpoint hat eigene native und erweiterte Grenzen.
Grenzen Sie bei einem umfangreichen Vergleich die Frage auf die benötigten Entscheidungen oder Zusammenhänge ein und verlangen Sie, dass das Modell zu jeder Schlussfolgerung den belegenden Abschnitt nennt. Das Kontextbudget kann mehr Belege gemeinsam aufnehmen; eine klare Quellenstruktur macht die Antwort jedoch nachvollziehbar. Behalten Sie den datierten Ausgabenamen bei, wenn Reproduzierbarkeit wichtig ist.
Praktisches Ergebnis und Grenzen
Verwenden Sie diesen Snapshot für ein konkretes Textergebnis auf Grundlage bereitgestellter Projektunterlagen oder visuellen Materials: einen Implementierungsvorschlag, einen Dokumentvergleich oder eine begründete Antwort. Prüfen Sie kleine Bildbeschriftungen, Berechnungen, Zitate und Codeänderungen anhand der ursprünglichen Belege. Der dokumentierte Modellumfang umfasst Text- und Bildverständnis mit Textausgabe; daraus folgt keine Erzeugung von Bildern, Videos oder Sprache. Die konkreten Werkzeuge, Uploadregeln und Ausgabebudgets sollten sich nach der gewählten Schnittstelle richten und nicht nach einer angenommenen Gleichwertigkeit mit einem anderen Checkpoint.
", "aboutText": "Der Plus-Snapshot vom 15. Februar\n\nQwen3.5 Plus 2026-02-15 ist die feste Veröffentlichung vom 15. Februar 2026 aus Qwens nativer Vision-Language-Familie Plus. Die dokumentierte Architektur verbindet lineare Attention mit Mixture-of-Experts-Berechnung bei selektiver Expertenaktivierung und unterstützt sowohl Textaufgaben als auch multimodale Aufgaben. Als Eingaben dienen Text, Bilder und Videos; die Antwort ist Text, etwa eine Erklärung, ein Codevorschlag oder ein Dokumentartefakt. Der datierte Name verleiht dieser Ausgabe eine eindeutige Identität innerhalb der Plus-Familie.\n\nDer Hersteller beschreibt das verwaltete Qwen3.5-Plus als Entsprechung des offenen Modells Qwen3.5-397B-A17B, ergänzt um Funktionen wie einen standardmäßigen Kontext von einer Million Tokens, integrierte Werkzeuge und adaptive Werkzeugnutzung. Die beiden Angebote behalten eigenständige Namen und Schnittstellenverträge. Die genauen Expertenzahlen, die numerische Darstellung und der native Kontext des offenen Checkpoints dürfen nicht stillschweigend als vollständige Spezifikation dieser datierten Plus-Veröffentlichung übernommen werden.\n\nGemeinsame Arbeit mit Text und visuellen Inhalten\n\nDie Qwen3.5-Familie entwickelt Fähigkeiten zum Schlussfolgern, Programmieren, für Agenten und zum visuellen Verstehen durch frühe Fusion von Text und Bild sowie Reinforcement Learning anhand zunehmend komplexer Aufgaben. Ihre Familienbeschreibung umfasst 201 Sprachen und Dialekte. Geben Sie bei mehrsprachigen Aufgaben die Zielsprache, die Zielgruppe und beizubehaltende Begriffe an; erhalten Sie bei visuellen Aufgaben jene Beschriftungen, Tabellenüberschriften oder Diagrammdefinitionen, die für die Frage benötigt werden.\n\nEine hilfreiche Dokumentanfrage kann einen Vergleich verlangen, der nach denselben Abschnitten wie die Quelle gegliedert ist und zu jeder Feststellung belegende Textstellen enthält. Eine Programmieranfrage kann einen Screenshot, den relevanten bestehenden Code und funktionale Anforderungen verbinden und anschließend bearbeitbaren Quellcode sowie eine separate Erklärung des Verhaltens verlangen. Benennen Sie bei Videos das maßgebliche Ereignis oder die relevante Abfolge und erhalten Sie die Zeitangaben. Prüfen Sie die ausgegebenen Textstellen, visuellen Details und Codevorschläge anhand des bereitgestellten Materials.\n\nSchlussfolgern und direkte Antworten\n\nDer Modusleitfaden des Herstellers führt die Qwen3.5 Plus-Familie und den Snapshot vom 15. Februar als Hybrid-Thinking-Modelle an; der Denkmodus ist standardmäßig aktiviert. Im dokumentierten hybriden Arbeitsablauf lässt sich das Denken für eine direkte Antwort deaktivieren. Halten Sie den Gedankengang vom fertigen Artefakt getrennt, wenn die gewählte Schnittstelle beides bereitstellt. Legen Sie eine klare Endform fest, etwa eine Ergebnistabelle, eine durch Trennzeichen abgegrenzte Antwort oder Codedateien, damit sich das Ergebnis leicht prüfen lässt.\n\nDer offene Qwen3.5-Checkpoint hat eigene Vorgaben für den Gesprächsverlauf und das Sampling. Spätere Qwen-Generationen führen zudem andere Standardwerte und Steuerungsmöglichkeiten für das Beibehalten von Gedankengängen ein. Befolgen Sie die Anleitung der konkreten Plus-Schnittstelle, statt anzunehmen, dass ein Prompt-Marker, ein Parametercontainer oder das Verhalten des Gesprächsverlaufs für jede Ausgabe mit dem Namen Qwen gilt.\n\nWerkzeuge und adaptive Arbeit\n\nDie Plus-Referenz des Anbieters beschreibt integrierte und adaptive Werkzeugnutzung. Eine Aufgabe kann einem angebundenen Arbeitsablauf erlauben, Belege abzurufen, bereitgestelltes Material zu prüfen oder Ergebnisse zulässiger Vorgänge zurückzugeben. Geben Sie die verfügbaren Werkzeuge, die erlaubten Aktionen und die beobachtbare Abschlussbedingung an. Das Modell kann tatsächliche Rückmeldungen nutzen, um seine Analyse zu überarbeiten und den nächsten Schritt zu wählen; die Anwendung führt externe Aktionen aus und liefert deren Ergebnisse.\n\nVerlangen Sie bei einer Agentenaufgabe, dass der Abschlussbericht das entstandene Artefakt, unterstützende Belege und ungeklärte Bedingungen zeigt. Unterscheiden Sie einen vorgeschlagenen Patch oder eine Suchabfrage von einem tatsächlich zurückgegebenen Werkzeugergebnis. Die Anforderung von Text in JSON-Form begründet für sich allein keinen Vertrag zur Schemaerzwingung, und die Aufforderung, Code auszuführen, schafft nicht eigenständig eine Ausführungsumgebung.\n\nVorbereitung für lange Kontexte\n\nQwens Referenz für das verwaltete Plus beschreibt einen standardmäßigen Kontext von einer Million Tokens. Halten Sie in umfangreichen Eingaben Dokumentgrenzen, Codebezeichner und Definitionen sichtbar und reservieren Sie Platz für den Gedankengang und die endgültige Antwort. Verwenden Sie für diesen Arbeitsablauf das Kontextbudget des verwalteten Plus; der offene 397B-Checkpoint hat eigene native und erweiterte Grenzen.\n\nGrenzen Sie bei einem umfangreichen Vergleich die Frage auf die benötigten Entscheidungen oder Zusammenhänge ein und verlangen Sie, dass das Modell zu jeder Schlussfolgerung den belegenden Abschnitt nennt. Das Kontextbudget kann mehr Belege gemeinsam aufnehmen; eine klare Quellenstruktur macht die Antwort jedoch nachvollziehbar. Behalten Sie den datierten Ausgabenamen bei, wenn Reproduzierbarkeit wichtig ist.\n\nPraktisches Ergebnis und Grenzen\n\nVerwenden Sie diesen Snapshot für ein konkretes Textergebnis auf Grundlage bereitgestellter Projektunterlagen oder visuellen Materials: einen Implementierungsvorschlag, einen Dokumentvergleich oder eine begründete Antwort. Prüfen Sie kleine Bildbeschriftungen, Berechnungen, Zitate und Codeänderungen anhand der ursprünglichen Belege. Der dokumentierte Modellumfang umfasst Text- und Bildverständnis mit Textausgabe; daraus folgt keine Erzeugung von Bildern, Videos oder Sprache. Die konkreten Werkzeuge, Uploadregeln und Ausgabebudgets sollten sich nach der gewählten Schnittstelle richten und nicht nach einer angenommenen Gleichwertigkeit mit einem anderen Checkpoint.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare document retention clauses\n\nCompare sections A and B. A: 'Keep delivery logs for 30 days; retain disputed deliveries until resolution.' B: 'Delete every delivery log after 30 days.' Return the shared rule, the conflict and a revised B that preserves A's dispute exception. Cite the section label beside each finding and leave other retention categories unspecified.A section-linked comparison and a revised clause preserving the dispute condition.The revised clause must not delete an unresolved disputed-delivery log merely because 30 days passed.qwen/qwen3.5-plus-02-15Qwen3.5 Plus 2026-02-15 ist der feste Snapshot vom 15. Februar des nativen Vision-Language-Modells Plus von Qwen. Er verbindet das Verstehen von Text, Bildern und Videos mit Schlussfolgern, Programmieren und agentenorientierten Arbeitsabläufen und liefert Textantworten oder Artefakte im hybriden Denkmodus der Modellfamilie.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Der Plus-Snapshot vom 15. Februar
Qwen3.5 Plus 2026-02-15 ist die feste Veröffentlichung vom 15. Februar 2026 aus Qwens nativer Vision-Language-Familie Plus. Die dokumentierte Architektur verbindet lineare Attention mit Mixture-of-Experts-Berechnung bei selektiver Expertenaktivierung und unterstützt sowohl Textaufgaben als auch multimodale Aufgaben. Als Eingaben dienen Text, Bilder und Videos; die Antwort ist Text, etwa eine Erklärung, ein Codevorschlag oder ein Dokumentartefakt. Der datierte Name verleiht dieser Ausgabe eine eindeutige Identität innerhalb der Plus-Familie.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus als Entsprechung des offenen Modells Qwen3.5-397B-A17B, ergänzt um Funktionen wie einen standardmäßigen Kontext von einer Million Tokens, integrierte Werkzeuge und adaptive Werkzeugnutzung. Die beiden Angebote behalten eigenständige Namen und Schnittstellenverträge. Die genauen Expertenzahlen, die numerische Darstellung und der native Kontext des offenen Checkpoints dürfen nicht stillschweigend als vollständige Spezifikation dieser datierten Plus-Veröffentlichung übernommen werden.
Gemeinsame Arbeit mit Text und visuellen Inhalten
Die Qwen3.5-Familie entwickelt Fähigkeiten zum Schlussfolgern, Programmieren, für Agenten und zum visuellen Verstehen durch frühe Fusion von Text und Bild sowie Reinforcement Learning anhand zunehmend komplexer Aufgaben. Ihre Familienbeschreibung umfasst 201 Sprachen und Dialekte. Geben Sie bei mehrsprachigen Aufgaben die Zielsprache, die Zielgruppe und beizubehaltende Begriffe an; erhalten Sie bei visuellen Aufgaben jene Beschriftungen, Tabellenüberschriften oder Diagrammdefinitionen, die für die Frage benötigt werden.
Eine hilfreiche Dokumentanfrage kann einen Vergleich verlangen, der nach denselben Abschnitten wie die Quelle gegliedert ist und zu jeder Feststellung belegende Textstellen enthält. Eine Programmieranfrage kann einen Screenshot, den relevanten bestehenden Code und funktionale Anforderungen verbinden und anschließend bearbeitbaren Quellcode sowie eine separate Erklärung des Verhaltens verlangen. Benennen Sie bei Videos das maßgebliche Ereignis oder die relevante Abfolge und erhalten Sie die Zeitangaben. Prüfen Sie die ausgegebenen Textstellen, visuellen Details und Codevorschläge anhand des bereitgestellten Materials.
Schlussfolgern und direkte Antworten
Der Modusleitfaden des Herstellers führt die Qwen3.5 Plus-Familie und den Snapshot vom 15. Februar als Hybrid-Thinking-Modelle an; der Denkmodus ist standardmäßig aktiviert. Im dokumentierten hybriden Arbeitsablauf lässt sich das Denken für eine direkte Antwort deaktivieren. Halten Sie den Gedankengang vom fertigen Artefakt getrennt, wenn die gewählte Schnittstelle beides bereitstellt. Legen Sie eine klare Endform fest, etwa eine Ergebnistabelle, eine durch Trennzeichen abgegrenzte Antwort oder Codedateien, damit sich das Ergebnis leicht prüfen lässt.
Der offene Qwen3.5-Checkpoint hat eigene Vorgaben für den Gesprächsverlauf und das Sampling. Spätere Qwen-Generationen führen zudem andere Standardwerte und Steuerungsmöglichkeiten für das Beibehalten von Gedankengängen ein. Befolgen Sie die Anleitung der konkreten Plus-Schnittstelle, statt anzunehmen, dass ein Prompt-Marker, ein Parametercontainer oder das Verhalten des Gesprächsverlaufs für jede Ausgabe mit dem Namen Qwen gilt.
Werkzeuge und adaptive Arbeit
Die Plus-Referenz des Anbieters beschreibt integrierte und adaptive Werkzeugnutzung. Eine Aufgabe kann einem angebundenen Arbeitsablauf erlauben, Belege abzurufen, bereitgestelltes Material zu prüfen oder Ergebnisse zulässiger Vorgänge zurückzugeben. Geben Sie die verfügbaren Werkzeuge, die erlaubten Aktionen und die beobachtbare Abschlussbedingung an. Das Modell kann tatsächliche Rückmeldungen nutzen, um seine Analyse zu überarbeiten und den nächsten Schritt zu wählen; die Anwendung führt externe Aktionen aus und liefert deren Ergebnisse.
Verlangen Sie bei einer Agentenaufgabe, dass der Abschlussbericht das entstandene Artefakt, unterstützende Belege und ungeklärte Bedingungen zeigt. Unterscheiden Sie einen vorgeschlagenen Patch oder eine Suchabfrage von einem tatsächlich zurückgegebenen Werkzeugergebnis. Die Anforderung von Text in JSON-Form begründet für sich allein keinen Vertrag zur Schemaerzwingung, und die Aufforderung, Code auszuführen, schafft nicht eigenständig eine Ausführungsumgebung.
Vorbereitung für lange Kontexte
Qwens Referenz für das verwaltete Plus beschreibt einen standardmäßigen Kontext von einer Million Tokens. Halten Sie in umfangreichen Eingaben Dokumentgrenzen, Codebezeichner und Definitionen sichtbar und reservieren Sie Platz für den Gedankengang und die endgültige Antwort. Verwenden Sie für diesen Arbeitsablauf das Kontextbudget des verwalteten Plus; der offene 397B-Checkpoint hat eigene native und erweiterte Grenzen.
Grenzen Sie bei einem umfangreichen Vergleich die Frage auf die benötigten Entscheidungen oder Zusammenhänge ein und verlangen Sie, dass das Modell zu jeder Schlussfolgerung den belegenden Abschnitt nennt. Das Kontextbudget kann mehr Belege gemeinsam aufnehmen; eine klare Quellenstruktur macht die Antwort jedoch nachvollziehbar. Behalten Sie den datierten Ausgabenamen bei, wenn Reproduzierbarkeit wichtig ist.
Praktisches Ergebnis und Grenzen
Verwenden Sie diesen Snapshot für ein konkretes Textergebnis auf Grundlage bereitgestellter Projektunterlagen oder visuellen Materials: einen Implementierungsvorschlag, einen Dokumentvergleich oder eine begründete Antwort. Prüfen Sie kleine Bildbeschriftungen, Berechnungen, Zitate und Codeänderungen anhand der ursprünglichen Belege. Der dokumentierte Modellumfang umfasst Text- und Bildverständnis mit Textausgabe; daraus folgt keine Erzeugung von Bildern, Videos oder Sprache. Die konkreten Werkzeuge, Uploadregeln und Ausgabebudgets sollten sich nach der gewählten Schnittstelle richten und nicht nach einer angenommenen Gleichwertigkeit mit einem anderen Checkpoint.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-plus-02-15 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00312 / 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 einschließlich256 000 | Gebühr Eingabe · Eingabetoken $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00312 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als256 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00065 / 1K Tokens Ausgabe · Ausgabetoken $0.0039 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-plus-02-15", "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-plus-02-15',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-plus-02-15',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-plus-02-15
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-plus-02-15Qwen3.5 Plus 2026-02-15 ist der feste Snapshot vom 15. Februar des nativen Vision-Language-Modells Plus von Qwen. Er verbindet das Verstehen von Text, Bildern und Videos mit Schlussfolgern, Programmieren und agentenorientierten Arbeitsabläufen und liefert Textantworten oder Artefakte im hybriden Denkmodus der Modellfamilie.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Der Plus-Snapshot vom 15. Februar
Qwen3.5 Plus 2026-02-15 ist die feste Veröffentlichung vom 15. Februar 2026 aus Qwens nativer Vision-Language-Familie Plus. Die dokumentierte Architektur verbindet lineare Attention mit Mixture-of-Experts-Berechnung bei selektiver Expertenaktivierung und unterstützt sowohl Textaufgaben als auch multimodale Aufgaben. Als Eingaben dienen Text, Bilder und Videos; die Antwort ist Text, etwa eine Erklärung, ein Codevorschlag oder ein Dokumentartefakt. Der datierte Name verleiht dieser Ausgabe eine eindeutige Identität innerhalb der Plus-Familie.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus als Entsprechung des offenen Modells Qwen3.5-397B-A17B, ergänzt um Funktionen wie einen standardmäßigen Kontext von einer Million Tokens, integrierte Werkzeuge und adaptive Werkzeugnutzung. Die beiden Angebote behalten eigenständige Namen und Schnittstellenverträge. Die genauen Expertenzahlen, die numerische Darstellung und der native Kontext des offenen Checkpoints dürfen nicht stillschweigend als vollständige Spezifikation dieser datierten Plus-Veröffentlichung übernommen werden.
Gemeinsame Arbeit mit Text und visuellen Inhalten
Die Qwen3.5-Familie entwickelt Fähigkeiten zum Schlussfolgern, Programmieren, für Agenten und zum visuellen Verstehen durch frühe Fusion von Text und Bild sowie Reinforcement Learning anhand zunehmend komplexer Aufgaben. Ihre Familienbeschreibung umfasst 201 Sprachen und Dialekte. Geben Sie bei mehrsprachigen Aufgaben die Zielsprache, die Zielgruppe und beizubehaltende Begriffe an; erhalten Sie bei visuellen Aufgaben jene Beschriftungen, Tabellenüberschriften oder Diagrammdefinitionen, die für die Frage benötigt werden.
Eine hilfreiche Dokumentanfrage kann einen Vergleich verlangen, der nach denselben Abschnitten wie die Quelle gegliedert ist und zu jeder Feststellung belegende Textstellen enthält. Eine Programmieranfrage kann einen Screenshot, den relevanten bestehenden Code und funktionale Anforderungen verbinden und anschließend bearbeitbaren Quellcode sowie eine separate Erklärung des Verhaltens verlangen. Benennen Sie bei Videos das maßgebliche Ereignis oder die relevante Abfolge und erhalten Sie die Zeitangaben. Prüfen Sie die ausgegebenen Textstellen, visuellen Details und Codevorschläge anhand des bereitgestellten Materials.
Schlussfolgern und direkte Antworten
Der Modusleitfaden des Herstellers führt die Qwen3.5 Plus-Familie und den Snapshot vom 15. Februar als Hybrid-Thinking-Modelle an; der Denkmodus ist standardmäßig aktiviert. Im dokumentierten hybriden Arbeitsablauf lässt sich das Denken für eine direkte Antwort deaktivieren. Halten Sie den Gedankengang vom fertigen Artefakt getrennt, wenn die gewählte Schnittstelle beides bereitstellt. Legen Sie eine klare Endform fest, etwa eine Ergebnistabelle, eine durch Trennzeichen abgegrenzte Antwort oder Codedateien, damit sich das Ergebnis leicht prüfen lässt.
Der offene Qwen3.5-Checkpoint hat eigene Vorgaben für den Gesprächsverlauf und das Sampling. Spätere Qwen-Generationen führen zudem andere Standardwerte und Steuerungsmöglichkeiten für das Beibehalten von Gedankengängen ein. Befolgen Sie die Anleitung der konkreten Plus-Schnittstelle, statt anzunehmen, dass ein Prompt-Marker, ein Parametercontainer oder das Verhalten des Gesprächsverlaufs für jede Ausgabe mit dem Namen Qwen gilt.
Werkzeuge und adaptive Arbeit
Die Plus-Referenz des Anbieters beschreibt integrierte und adaptive Werkzeugnutzung. Eine Aufgabe kann einem angebundenen Arbeitsablauf erlauben, Belege abzurufen, bereitgestelltes Material zu prüfen oder Ergebnisse zulässiger Vorgänge zurückzugeben. Geben Sie die verfügbaren Werkzeuge, die erlaubten Aktionen und die beobachtbare Abschlussbedingung an. Das Modell kann tatsächliche Rückmeldungen nutzen, um seine Analyse zu überarbeiten und den nächsten Schritt zu wählen; die Anwendung führt externe Aktionen aus und liefert deren Ergebnisse.
Verlangen Sie bei einer Agentenaufgabe, dass der Abschlussbericht das entstandene Artefakt, unterstützende Belege und ungeklärte Bedingungen zeigt. Unterscheiden Sie einen vorgeschlagenen Patch oder eine Suchabfrage von einem tatsächlich zurückgegebenen Werkzeugergebnis. Die Anforderung von Text in JSON-Form begründet für sich allein keinen Vertrag zur Schemaerzwingung, und die Aufforderung, Code auszuführen, schafft nicht eigenständig eine Ausführungsumgebung.
Vorbereitung für lange Kontexte
Qwens Referenz für das verwaltete Plus beschreibt einen standardmäßigen Kontext von einer Million Tokens. Halten Sie in umfangreichen Eingaben Dokumentgrenzen, Codebezeichner und Definitionen sichtbar und reservieren Sie Platz für den Gedankengang und die endgültige Antwort. Verwenden Sie für diesen Arbeitsablauf das Kontextbudget des verwalteten Plus; der offene 397B-Checkpoint hat eigene native und erweiterte Grenzen.
Grenzen Sie bei einem umfangreichen Vergleich die Frage auf die benötigten Entscheidungen oder Zusammenhänge ein und verlangen Sie, dass das Modell zu jeder Schlussfolgerung den belegenden Abschnitt nennt. Das Kontextbudget kann mehr Belege gemeinsam aufnehmen; eine klare Quellenstruktur macht die Antwort jedoch nachvollziehbar. Behalten Sie den datierten Ausgabenamen bei, wenn Reproduzierbarkeit wichtig ist.
Praktisches Ergebnis und Grenzen
Verwenden Sie diesen Snapshot für ein konkretes Textergebnis auf Grundlage bereitgestellter Projektunterlagen oder visuellen Materials: einen Implementierungsvorschlag, einen Dokumentvergleich oder eine begründete Antwort. Prüfen Sie kleine Bildbeschriftungen, Berechnungen, Zitate und Codeänderungen anhand der ursprünglichen Belege. Der dokumentierte Modellumfang umfasst Text- und Bildverständnis mit Textausgabe; daraus folgt keine Erzeugung von Bildern, Videos oder Sprache. Die konkreten Werkzeuge, Uploadregeln und Ausgabebudgets sollten sich nach der gewählten Schnittstelle richten und nicht nach einer angenommenen Gleichwertigkeit mit einem anderen Checkpoint.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-plus-02-15 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00312 / 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 einschließlich256 000 | Gebühr Eingabe · Eingabetoken $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00312 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als256 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00065 / 1K Tokens Ausgabe · Ausgabetoken $0.0039 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-plus-02-15",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus-02-15', '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-plus-02-15', '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-plus-02-15
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare document retention clauses\n\nCompare sections A and B. A: 'Keep delivery logs for 30 days; retain disputed deliveries until resolution.' B: 'Delete every delivery log after 30 days.' Return the shared rule, the conflict and a revised B that preserves A's dispute exception. Cite the section label beside each finding and leave other retention categories unspecified.A section-linked comparison and a revised clause preserving the dispute condition.The revised clause must not delete an unresolved disputed-delivery log merely because 30 days passed.