Der feste Plus-Snapshot vom 20. April
Qwen3.5 Plus 2026-04-20 ist der Snapshot vom 20. April 2026 aus Qwens nativer Vision-Language-Plus-Familie. Die Veröffentlichungsmitteilung des Herstellers nennt eine erhebliche Verbesserung bei agentischer Programmierung gegenüber dem Snapshot vom 15. Februar sowie höhere Inferenzeffizienz und beibehaltene Fähigkeiten in Wissen, Schlussfolgerungen und Langkontext. Halten Sie diese datierte Ausführung von einem veränderlichen Plus-Namen und vom offenen Checkpoint Qwen3.5-397B-A17B getrennt.
Die Familie nimmt Text mit Bildern oder Video entgegen und erzeugt Textergebnisse. Dieser Aufgabenbereich unterstützt eine Entwicklungsaufgabe anhand eines Screenshots, eine Frage zu einem technischen Diagramm oder eine dokumentgestützte Erklärung. Der Snapshot-Name allein belegt weder die Parameteranzahl noch die aktivierten Experten oder die genaue Architektur des offenen Checkpoints; diese Zahlen werden dieser Ausführung hier daher nicht zugeordnet.
Agentische Programmierung
Die wesentliche Änderung dieser Veröffentlichung ist leistungsfähigere Programmierung in einem Agentenablauf. Stellen Sie Projektanforderungen, relevante Dateien oder Auszüge, bestehendes Verhalten und das zum Abschluss erwartete Artefakt bereit. Fügen Sie für eine Aufgabe zur Umsetzung eines Screenshots in eine Oberfläche die visuelle Referenz und funktionale Vorgaben hinzu und fordern Sie bearbeitbaren Quelltext sowie eine Erklärung des beabsichtigten Verhaltens an. Benennen Sie für eine Repository-Änderung die betroffene Funktionalität und die Eingabe, die das Problem zeigt, und verlangen Sie anschließend einen Patch und die zu seiner Bewertung nötigen Prüfungen.
Ein mehrstufiger Programmierablauf profitiert von tatsächlichen Rückmeldungen: Prüfergebnisse, beobachtete Fehler und Review-Befunde können dem Modell im Arbeitsverlauf zurückgegeben werden. Die Anwendung kontrolliert die Tools und führt erlaubte Aktionen aus. Fordern Sie einen Bericht darüber an, was vorgeschlagen wurde, was beobachtet wurde und was offenbleibt.
Wissen und Schlussfolgerungen
Laut Hersteller bewahrt der Snapshot starke Wissens- und Schlussfolgerungsfähigkeiten und verbessert zugleich die Agentenarbeit. Trennen Sie für eine analytische Aufgabe Quellenfakten von Annahmen und legen Sie die gesuchte Schlussfolgerung fest. Fordern Sie stützende Passagen, Werte oder Codekennungen an, damit sich das Ergebnis prüfen lässt. Stellen Sie für einen professionellen Bericht das relevante Material und die gewünschten Abschnitte bereit, statt vorauszusetzen, dass das Modell den fehlenden Kontext eines privaten Projekts kennt.
Die Qwen3.5-Plus-Familie ist als Hybrid Thinking mit standardmäßig aktiviertem Thinking dokumentiert. Ihr Familienablauf kann bei deaktiviertem Thinking eine direkte Antwort erzeugen, während Überlegungen und endgültiger Antwortinhalt getrennt behandelt werden. Die Schnittstelle des konkreten April-Snapshots sollte ihre eigenen dokumentierten Optionen verwenden; eine Beschreibung des Familienmodus verspricht nicht, dass jede Anwendung einen bestimmten Parameter anbietet.
Langkontext-Arbeit
Alibabas eigene Tabelle für den Snapshot vom 20. April nennt einen Kontext von 1,000,000 Tokens, eine maximale Eingabe von 991,808 Tokens für direkte Antworten oder 983,616 für Thinking und eine maximale Ausgabe von 65,536 in beiden Modi. Übertragen Sie die nativen oder erweiterten Kontextzahlen des offenen Qwen3.5-Checkpoints nicht als harte Grenze auf diesen Plus-Snapshot. Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Seitenkennungen, Codepfaden und den für die Aufgabe benötigten Definitionen vor.
Eine hilfreiche Anfrage kann eine Tabelle zur Zuordnung von Anforderungen und Implementierung, einen Dokumentvergleich oder einen Bericht mit Belegen für jede Schlussfolgerung verlangen. Lassen Sie sachfremdes Material aus dem Prompt und lassen Sie Platz für die Antwort. Langkontext-Fähigkeit hilft, mehr Belege gemeinsam bereitzustellen; sie garantiert weder vollständige Erinnerung noch ersetzt sie eine klare Frage.
Aufgaben für den produktiven Einsatz vorbereiten
Der Hersteller positioniert diese Ausführung für komplexe Agenten, Programmierabläufe und durchsatzorientierte Nutzung. Definieren Sie das beobachtbare Ergebnis der Aufgabe: zu erzeugende Dateien, zu implementierendes Verhalten oder zu erklärende Befunde. Unterscheiden Sie bei angebundenen Tools deren tatsächlich zurückgegebene Ergebnisse von Textvorschlägen des Modells. Legen Sie das endgültige Format so fest, dass sich das Artefakt in einen Prüf- oder Anwendungsablauf übernehmen lässt, und prüfen Sie Syntax und Inhalt getrennt.
Die eigene Snapshot-Tabelle nennt Function Calling, Structured Outputs, Websuche, Prefix Completion und Context Caching; Batch-Inferenz und Fine-Tuning werden nicht unterstützt. Das sind Funktionen des Hersteller-Workflows, und Mediendateigrenzen bleiben eine separate Spezifikation. Eine Anfrage nach JSON-förmigem Text, Codeausführung oder Quellenabruf sollte daher ein angeforderter Ablauf bleiben und keine vorausgesetzte native Garantie. Die vom Hersteller beschriebene Verbesserung ist qualitativ; sie darf nicht zu einem uneingeschränkten Latenz- oder Durchsatzversprechen werden.
Praktische Grenzen
Bewahren Sie beim Vergleich späterer Überarbeitungen die genaue datierte Plus-Ausführung und das Quellmaterial zusammen mit dem Ergebnis. Prüfen Sie generierten Code, Berechnungen und extrahierte visuelle Details anhand der bereitgestellten Quelle und geben Sie offene Belege ausdrücklich zurück. Das nützliche Ergebnis ist ein konkretes Textartefakt mit Bezug zu den Aufgabenanforderungen, wobei die genaue datierte Plus-Identität und die dokumentierten Eingabe-, Ausgabe- und Tool-Grenzen des Herstellers ausdrücklich erhalten bleiben.
", "aboutText": "Der feste Plus-Snapshot vom 20. April\n\nQwen3.5 Plus 2026-04-20 ist der Snapshot vom 20. April 2026 aus Qwens nativer Vision-Language-Plus-Familie. Die Veröffentlichungsmitteilung des Herstellers nennt eine erhebliche Verbesserung bei agentischer Programmierung gegenüber dem Snapshot vom 15. Februar sowie höhere Inferenzeffizienz und beibehaltene Fähigkeiten in Wissen, Schlussfolgerungen und Langkontext. Halten Sie diese datierte Ausführung von einem veränderlichen Plus-Namen und vom offenen Checkpoint Qwen3.5-397B-A17B getrennt.\n\nDie Familie nimmt Text mit Bildern oder Video entgegen und erzeugt Textergebnisse. Dieser Aufgabenbereich unterstützt eine Entwicklungsaufgabe anhand eines Screenshots, eine Frage zu einem technischen Diagramm oder eine dokumentgestützte Erklärung. Der Snapshot-Name allein belegt weder die Parameteranzahl noch die aktivierten Experten oder die genaue Architektur des offenen Checkpoints; diese Zahlen werden dieser Ausführung hier daher nicht zugeordnet.\n\nAgentische Programmierung\n\nDie wesentliche Änderung dieser Veröffentlichung ist leistungsfähigere Programmierung in einem Agentenablauf. Stellen Sie Projektanforderungen, relevante Dateien oder Auszüge, bestehendes Verhalten und das zum Abschluss erwartete Artefakt bereit. Fügen Sie für eine Aufgabe zur Umsetzung eines Screenshots in eine Oberfläche die visuelle Referenz und funktionale Vorgaben hinzu und fordern Sie bearbeitbaren Quelltext sowie eine Erklärung des beabsichtigten Verhaltens an. Benennen Sie für eine Repository-Änderung die betroffene Funktionalität und die Eingabe, die das Problem zeigt, und verlangen Sie anschließend einen Patch und die zu seiner Bewertung nötigen Prüfungen.\n\nEin mehrstufiger Programmierablauf profitiert von tatsächlichen Rückmeldungen: Prüfergebnisse, beobachtete Fehler und Review-Befunde können dem Modell im Arbeitsverlauf zurückgegeben werden. Die Anwendung kontrolliert die Tools und führt erlaubte Aktionen aus. Fordern Sie einen Bericht darüber an, was vorgeschlagen wurde, was beobachtet wurde und was offenbleibt.\n\nWissen und Schlussfolgerungen\n\nLaut Hersteller bewahrt der Snapshot starke Wissens- und Schlussfolgerungsfähigkeiten und verbessert zugleich die Agentenarbeit. Trennen Sie für eine analytische Aufgabe Quellenfakten von Annahmen und legen Sie die gesuchte Schlussfolgerung fest. Fordern Sie stützende Passagen, Werte oder Codekennungen an, damit sich das Ergebnis prüfen lässt. Stellen Sie für einen professionellen Bericht das relevante Material und die gewünschten Abschnitte bereit, statt vorauszusetzen, dass das Modell den fehlenden Kontext eines privaten Projekts kennt.\n\nDie Qwen3.5-Plus-Familie ist als Hybrid Thinking mit standardmäßig aktiviertem Thinking dokumentiert. Ihr Familienablauf kann bei deaktiviertem Thinking eine direkte Antwort erzeugen, während Überlegungen und endgültiger Antwortinhalt getrennt behandelt werden. Die Schnittstelle des konkreten April-Snapshots sollte ihre eigenen dokumentierten Optionen verwenden; eine Beschreibung des Familienmodus verspricht nicht, dass jede Anwendung einen bestimmten Parameter anbietet.\n\nLangkontext-Arbeit\n\nAlibabas eigene Tabelle für den Snapshot vom 20. April nennt einen Kontext von 1,000,000 Tokens, eine maximale Eingabe von 991,808 Tokens für direkte Antworten oder 983,616 für Thinking und eine maximale Ausgabe von 65,536 in beiden Modi. Übertragen Sie die nativen oder erweiterten Kontextzahlen des offenen Qwen3.5-Checkpoints nicht als harte Grenze auf diesen Plus-Snapshot. Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Seitenkennungen, Codepfaden und den für die Aufgabe benötigten Definitionen vor.\n\nEine hilfreiche Anfrage kann eine Tabelle zur Zuordnung von Anforderungen und Implementierung, einen Dokumentvergleich oder einen Bericht mit Belegen für jede Schlussfolgerung verlangen. Lassen Sie sachfremdes Material aus dem Prompt und lassen Sie Platz für die Antwort. Langkontext-Fähigkeit hilft, mehr Belege gemeinsam bereitzustellen; sie garantiert weder vollständige Erinnerung noch ersetzt sie eine klare Frage.\n\nAufgaben für den produktiven Einsatz vorbereiten\n\nDer Hersteller positioniert diese Ausführung für komplexe Agenten, Programmierabläufe und durchsatzorientierte Nutzung. Definieren Sie das beobachtbare Ergebnis der Aufgabe: zu erzeugende Dateien, zu implementierendes Verhalten oder zu erklärende Befunde. Unterscheiden Sie bei angebundenen Tools deren tatsächlich zurückgegebene Ergebnisse von Textvorschlägen des Modells. Legen Sie das endgültige Format so fest, dass sich das Artefakt in einen Prüf- oder Anwendungsablauf übernehmen lässt, und prüfen Sie Syntax und Inhalt getrennt.\n\nDie eigene Snapshot-Tabelle nennt Function Calling, Structured Outputs, Websuche, Prefix Completion und Context Caching; Batch-Inferenz und Fine-Tuning werden nicht unterstützt. Das sind Funktionen des Hersteller-Workflows, und Mediendateigrenzen bleiben eine separate Spezifikation. Eine Anfrage nach JSON-förmigem Text, Codeausführung oder Quellenabruf sollte daher ein angeforderter Ablauf bleiben und keine vorausgesetzte native Garantie. Die vom Hersteller beschriebene Verbesserung ist qualitativ; sie darf nicht zu einem uneingeschränkten Latenz- oder Durchsatzversprechen werden.\n\nPraktische Grenzen\n\nBewahren Sie beim Vergleich späterer Überarbeitungen die genaue datierte Plus-Ausführung und das Quellmaterial zusammen mit dem Ergebnis. Prüfen Sie generierten Code, Berechnungen und extrahierte visuelle Details anhand der bereitgestellten Quelle und geben Sie offene Belege ausdrücklich zurück. Das nützliche Ergebnis ist ein konkretes Textartefakt mit Bezug zu den Aufgabenanforderungen, wobei die genaue datierte Plus-Identität und die dokumentierten Eingabe-, Ausgabe- und Tool-Grenzen des Herstellers ausdrücklich erhalten bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair an asynchronous search race\n\nA search field calls fetchResults(query).then(render) after each keystroke. Results for an older query sometimes arrive after the latest query and overwrite the screen. Propose a focused JavaScript change that renders only the newest request's result. Preserve the existing fetchResults and render interfaces, handle request failures and describe a reversed-response-order test.A code proposal, a brief request-order explanation and a deterministic out-of-order response test.Check an older response cannot overwrite the latest result, including after a failed newer request.qwen/qwen3.5-plus-20260420Qwen3.5 Plus 2026-04-20 ist der feste Snapshot vom 20. April von Qwens Vision-Language-Plus-Modell. Der Hersteller hebt verbesserte agentische Programmierung bei weiterhin unterstützten Schlussfolgerungen, Wissen und Langkontext-Arbeit hervor, für komplexe Aufgaben, die bereitgestellten Text oder visuelles Material mit einem konkreten Ergebnis verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Der feste Plus-Snapshot vom 20. April
Qwen3.5 Plus 2026-04-20 ist der Snapshot vom 20. April 2026 aus Qwens nativer Vision-Language-Plus-Familie. Die Veröffentlichungsmitteilung des Herstellers nennt eine erhebliche Verbesserung bei agentischer Programmierung gegenüber dem Snapshot vom 15. Februar sowie höhere Inferenzeffizienz und beibehaltene Fähigkeiten in Wissen, Schlussfolgerungen und Langkontext. Halten Sie diese datierte Ausführung von einem veränderlichen Plus-Namen und vom offenen Checkpoint Qwen3.5-397B-A17B getrennt.
Die Familie nimmt Text mit Bildern oder Video entgegen und erzeugt Textergebnisse. Dieser Aufgabenbereich unterstützt eine Entwicklungsaufgabe anhand eines Screenshots, eine Frage zu einem technischen Diagramm oder eine dokumentgestützte Erklärung. Der Snapshot-Name allein belegt weder die Parameteranzahl noch die aktivierten Experten oder die genaue Architektur des offenen Checkpoints; diese Zahlen werden dieser Ausführung hier daher nicht zugeordnet.
Agentische Programmierung
Die wesentliche Änderung dieser Veröffentlichung ist leistungsfähigere Programmierung in einem Agentenablauf. Stellen Sie Projektanforderungen, relevante Dateien oder Auszüge, bestehendes Verhalten und das zum Abschluss erwartete Artefakt bereit. Fügen Sie für eine Aufgabe zur Umsetzung eines Screenshots in eine Oberfläche die visuelle Referenz und funktionale Vorgaben hinzu und fordern Sie bearbeitbaren Quelltext sowie eine Erklärung des beabsichtigten Verhaltens an. Benennen Sie für eine Repository-Änderung die betroffene Funktionalität und die Eingabe, die das Problem zeigt, und verlangen Sie anschließend einen Patch und die zu seiner Bewertung nötigen Prüfungen.
Ein mehrstufiger Programmierablauf profitiert von tatsächlichen Rückmeldungen: Prüfergebnisse, beobachtete Fehler und Review-Befunde können dem Modell im Arbeitsverlauf zurückgegeben werden. Die Anwendung kontrolliert die Tools und führt erlaubte Aktionen aus. Fordern Sie einen Bericht darüber an, was vorgeschlagen wurde, was beobachtet wurde und was offenbleibt.
Wissen und Schlussfolgerungen
Laut Hersteller bewahrt der Snapshot starke Wissens- und Schlussfolgerungsfähigkeiten und verbessert zugleich die Agentenarbeit. Trennen Sie für eine analytische Aufgabe Quellenfakten von Annahmen und legen Sie die gesuchte Schlussfolgerung fest. Fordern Sie stützende Passagen, Werte oder Codekennungen an, damit sich das Ergebnis prüfen lässt. Stellen Sie für einen professionellen Bericht das relevante Material und die gewünschten Abschnitte bereit, statt vorauszusetzen, dass das Modell den fehlenden Kontext eines privaten Projekts kennt.
Die Qwen3.5-Plus-Familie ist als Hybrid Thinking mit standardmäßig aktiviertem Thinking dokumentiert. Ihr Familienablauf kann bei deaktiviertem Thinking eine direkte Antwort erzeugen, während Überlegungen und endgültiger Antwortinhalt getrennt behandelt werden. Die Schnittstelle des konkreten April-Snapshots sollte ihre eigenen dokumentierten Optionen verwenden; eine Beschreibung des Familienmodus verspricht nicht, dass jede Anwendung einen bestimmten Parameter anbietet.
Langkontext-Arbeit
Alibabas eigene Tabelle für den Snapshot vom 20. April nennt einen Kontext von 1,000,000 Tokens, eine maximale Eingabe von 991,808 Tokens für direkte Antworten oder 983,616 für Thinking und eine maximale Ausgabe von 65,536 in beiden Modi. Übertragen Sie die nativen oder erweiterten Kontextzahlen des offenen Qwen3.5-Checkpoints nicht als harte Grenze auf diesen Plus-Snapshot. Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Seitenkennungen, Codepfaden und den für die Aufgabe benötigten Definitionen vor.
Eine hilfreiche Anfrage kann eine Tabelle zur Zuordnung von Anforderungen und Implementierung, einen Dokumentvergleich oder einen Bericht mit Belegen für jede Schlussfolgerung verlangen. Lassen Sie sachfremdes Material aus dem Prompt und lassen Sie Platz für die Antwort. Langkontext-Fähigkeit hilft, mehr Belege gemeinsam bereitzustellen; sie garantiert weder vollständige Erinnerung noch ersetzt sie eine klare Frage.
Aufgaben für den produktiven Einsatz vorbereiten
Der Hersteller positioniert diese Ausführung für komplexe Agenten, Programmierabläufe und durchsatzorientierte Nutzung. Definieren Sie das beobachtbare Ergebnis der Aufgabe: zu erzeugende Dateien, zu implementierendes Verhalten oder zu erklärende Befunde. Unterscheiden Sie bei angebundenen Tools deren tatsächlich zurückgegebene Ergebnisse von Textvorschlägen des Modells. Legen Sie das endgültige Format so fest, dass sich das Artefakt in einen Prüf- oder Anwendungsablauf übernehmen lässt, und prüfen Sie Syntax und Inhalt getrennt.
Die eigene Snapshot-Tabelle nennt Function Calling, Structured Outputs, Websuche, Prefix Completion und Context Caching; Batch-Inferenz und Fine-Tuning werden nicht unterstützt. Das sind Funktionen des Hersteller-Workflows, und Mediendateigrenzen bleiben eine separate Spezifikation. Eine Anfrage nach JSON-förmigem Text, Codeausführung oder Quellenabruf sollte daher ein angeforderter Ablauf bleiben und keine vorausgesetzte native Garantie. Die vom Hersteller beschriebene Verbesserung ist qualitativ; sie darf nicht zu einem uneingeschränkten Latenz- oder Durchsatzversprechen werden.
Praktische Grenzen
Bewahren Sie beim Vergleich späterer Überarbeitungen die genaue datierte Plus-Ausführung und das Quellmaterial zusammen mit dem Ergebnis. Prüfen Sie generierten Code, Berechnungen und extrahierte visuelle Details anhand der bereitgestellten Quelle und geben Sie offene Belege ausdrücklich zurück. Das nützliche Ergebnis ist ein konkretes Textartefakt mit Bezug zu den Aufgabenanforderungen, wobei die genaue datierte Plus-Identität und die dokumentierten Eingabe-, Ausgabe- und Tool-Grenzen des Herstellers ausdrücklich erhalten bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-plus-20260420 | 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben $0.00075 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich256 000 | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben $0.00075 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als256 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00075 / 1K Tokens Ausgabe · Ausgabetoken $0.0045 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben $0.0009375 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-20260420", "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-20260420',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-20260420',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-20260420
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-plus-20260420Qwen3.5 Plus 2026-04-20 ist der feste Snapshot vom 20. April von Qwens Vision-Language-Plus-Modell. Der Hersteller hebt verbesserte agentische Programmierung bei weiterhin unterstützten Schlussfolgerungen, Wissen und Langkontext-Arbeit hervor, für komplexe Aufgaben, die bereitgestellten Text oder visuelles Material mit einem konkreten Ergebnis verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Der feste Plus-Snapshot vom 20. April
Qwen3.5 Plus 2026-04-20 ist der Snapshot vom 20. April 2026 aus Qwens nativer Vision-Language-Plus-Familie. Die Veröffentlichungsmitteilung des Herstellers nennt eine erhebliche Verbesserung bei agentischer Programmierung gegenüber dem Snapshot vom 15. Februar sowie höhere Inferenzeffizienz und beibehaltene Fähigkeiten in Wissen, Schlussfolgerungen und Langkontext. Halten Sie diese datierte Ausführung von einem veränderlichen Plus-Namen und vom offenen Checkpoint Qwen3.5-397B-A17B getrennt.
Die Familie nimmt Text mit Bildern oder Video entgegen und erzeugt Textergebnisse. Dieser Aufgabenbereich unterstützt eine Entwicklungsaufgabe anhand eines Screenshots, eine Frage zu einem technischen Diagramm oder eine dokumentgestützte Erklärung. Der Snapshot-Name allein belegt weder die Parameteranzahl noch die aktivierten Experten oder die genaue Architektur des offenen Checkpoints; diese Zahlen werden dieser Ausführung hier daher nicht zugeordnet.
Agentische Programmierung
Die wesentliche Änderung dieser Veröffentlichung ist leistungsfähigere Programmierung in einem Agentenablauf. Stellen Sie Projektanforderungen, relevante Dateien oder Auszüge, bestehendes Verhalten und das zum Abschluss erwartete Artefakt bereit. Fügen Sie für eine Aufgabe zur Umsetzung eines Screenshots in eine Oberfläche die visuelle Referenz und funktionale Vorgaben hinzu und fordern Sie bearbeitbaren Quelltext sowie eine Erklärung des beabsichtigten Verhaltens an. Benennen Sie für eine Repository-Änderung die betroffene Funktionalität und die Eingabe, die das Problem zeigt, und verlangen Sie anschließend einen Patch und die zu seiner Bewertung nötigen Prüfungen.
Ein mehrstufiger Programmierablauf profitiert von tatsächlichen Rückmeldungen: Prüfergebnisse, beobachtete Fehler und Review-Befunde können dem Modell im Arbeitsverlauf zurückgegeben werden. Die Anwendung kontrolliert die Tools und führt erlaubte Aktionen aus. Fordern Sie einen Bericht darüber an, was vorgeschlagen wurde, was beobachtet wurde und was offenbleibt.
Wissen und Schlussfolgerungen
Laut Hersteller bewahrt der Snapshot starke Wissens- und Schlussfolgerungsfähigkeiten und verbessert zugleich die Agentenarbeit. Trennen Sie für eine analytische Aufgabe Quellenfakten von Annahmen und legen Sie die gesuchte Schlussfolgerung fest. Fordern Sie stützende Passagen, Werte oder Codekennungen an, damit sich das Ergebnis prüfen lässt. Stellen Sie für einen professionellen Bericht das relevante Material und die gewünschten Abschnitte bereit, statt vorauszusetzen, dass das Modell den fehlenden Kontext eines privaten Projekts kennt.
Die Qwen3.5-Plus-Familie ist als Hybrid Thinking mit standardmäßig aktiviertem Thinking dokumentiert. Ihr Familienablauf kann bei deaktiviertem Thinking eine direkte Antwort erzeugen, während Überlegungen und endgültiger Antwortinhalt getrennt behandelt werden. Die Schnittstelle des konkreten April-Snapshots sollte ihre eigenen dokumentierten Optionen verwenden; eine Beschreibung des Familienmodus verspricht nicht, dass jede Anwendung einen bestimmten Parameter anbietet.
Langkontext-Arbeit
Alibabas eigene Tabelle für den Snapshot vom 20. April nennt einen Kontext von 1,000,000 Tokens, eine maximale Eingabe von 991,808 Tokens für direkte Antworten oder 983,616 für Thinking und eine maximale Ausgabe von 65,536 in beiden Modi. Übertragen Sie die nativen oder erweiterten Kontextzahlen des offenen Qwen3.5-Checkpoints nicht als harte Grenze auf diesen Plus-Snapshot. Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Seitenkennungen, Codepfaden und den für die Aufgabe benötigten Definitionen vor.
Eine hilfreiche Anfrage kann eine Tabelle zur Zuordnung von Anforderungen und Implementierung, einen Dokumentvergleich oder einen Bericht mit Belegen für jede Schlussfolgerung verlangen. Lassen Sie sachfremdes Material aus dem Prompt und lassen Sie Platz für die Antwort. Langkontext-Fähigkeit hilft, mehr Belege gemeinsam bereitzustellen; sie garantiert weder vollständige Erinnerung noch ersetzt sie eine klare Frage.
Aufgaben für den produktiven Einsatz vorbereiten
Der Hersteller positioniert diese Ausführung für komplexe Agenten, Programmierabläufe und durchsatzorientierte Nutzung. Definieren Sie das beobachtbare Ergebnis der Aufgabe: zu erzeugende Dateien, zu implementierendes Verhalten oder zu erklärende Befunde. Unterscheiden Sie bei angebundenen Tools deren tatsächlich zurückgegebene Ergebnisse von Textvorschlägen des Modells. Legen Sie das endgültige Format so fest, dass sich das Artefakt in einen Prüf- oder Anwendungsablauf übernehmen lässt, und prüfen Sie Syntax und Inhalt getrennt.
Die eigene Snapshot-Tabelle nennt Function Calling, Structured Outputs, Websuche, Prefix Completion und Context Caching; Batch-Inferenz und Fine-Tuning werden nicht unterstützt. Das sind Funktionen des Hersteller-Workflows, und Mediendateigrenzen bleiben eine separate Spezifikation. Eine Anfrage nach JSON-förmigem Text, Codeausführung oder Quellenabruf sollte daher ein angeforderter Ablauf bleiben und keine vorausgesetzte native Garantie. Die vom Hersteller beschriebene Verbesserung ist qualitativ; sie darf nicht zu einem uneingeschränkten Latenz- oder Durchsatzversprechen werden.
Praktische Grenzen
Bewahren Sie beim Vergleich späterer Überarbeitungen die genaue datierte Plus-Ausführung und das Quellmaterial zusammen mit dem Ergebnis. Prüfen Sie generierten Code, Berechnungen und extrahierte visuelle Details anhand der bereitgestellten Quelle und geben Sie offene Belege ausdrücklich zurück. Das nützliche Ergebnis ist ein konkretes Textartefakt mit Bezug zu den Aufgabenanforderungen, wobei die genaue datierte Plus-Identität und die dokumentierten Eingabe-, Ausgabe- und Tool-Grenzen des Herstellers ausdrücklich erhalten bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-plus-20260420 | 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben $0.00075 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich256 000 | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben $0.00075 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als256 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00075 / 1K Tokens Ausgabe · Ausgabetoken $0.0045 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben $0.0009375 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-plus-20260420",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-20260420', '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-20260420', '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-20260420
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair an asynchronous search race\n\nA search field calls fetchResults(query).then(render) after each keystroke. Results for an older query sometimes arrive after the latest query and overwrite the screen. Propose a focused JavaScript change that renders only the newest request's result. Preserve the existing fetchResults and render interfaces, handle request failures and describe a reversed-response-order test.A code proposal, a brief request-order explanation and a deterministic out-of-order response test.Check an older response cannot overwrite the latest result, including after a failed newer request.