Qwen3.6-Schwerpunkte in einem dichten 27B-Modell
Qwen3.6-27B ist ein dichtes Vision-Language-Modell, das aus Qwen3.5-27B entwickelt wurde. Der Hersteller hebt stärkere Coding-Agenten und STEM-Schlussfolgerungen hervor, mit Verbesserungen bei räumlichem Verständnis, Objektlokalisierung und -erkennung, Dokument-OCR, Videoverständnis und visuellen Agenten. Es nimmt Text, Bilder und Video entgegen und generiert Text. Diese konkrete dichte Ausführung unterscheidet sich vom Mixture-of-Experts-Modell Qwen3.6-35B-A3B, obwohl sie dieselbe Generation und denselben Aufgabenschwerpunkt teilen.
Stellen Sie für ein STEM-Diagramm die vollständige Aufgabenstellung bereit und bewahren Sie Beschriftungen und Einheiten. Bitten Sie das Modell, direkt sichtbare Fakten von Annahmen zu trennen und anschließend eine Erklärung mit einer klaren endgültigen Antwort zurückzugeben. Legen Sie bei einem Dokument die zu extrahierenden Felder oder Aussagen fest und fordern Sie stützende Seitenverweise an. Stellen Sie für einen Coding-Agenten die relevanten Module, das gewünschte Verhalten und tatsächliche Rückmeldungen aus dem angebundenen Ablauf bereit. Diese Beispiele wenden die dokumentierten Fähigkeiten an; sie behaupten keine exakte Extraktion oder erfolgreiche Ausführung.
Modellüberblick
Das Modell besitzt 27 Milliarden Parameter und 64 Sprachmodellschichten. Sein hybrider Aufbau wiederholt drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, und verwendet dichte Feed-Forward-Netze statt spärlicher Experten. Ein Vision-Encoder ermöglicht Bild- und Videoverständnis, und Multi-Token Prediction ist Teil des Trainings. Diese Architekturfakten kennzeichnen den Checkpoint, ohne Qualität oder Antwortzeit jeder Anwendung zu bewerten.
Der native Kontext umfasst 262,144 Tokens und lässt sich durch Konfiguration auf 1,010,000 erweitern. Qwen empfiehlt für komplexe Schlussfolgerungen nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, erkennt aber an, dass Speicherdruck eine kleinere Einstellung erfordern kann. Repräsentierte Bilder und Videos, Text, frühere Nachrichten, Überlegungen und Antwort verbrauchen alle Platz in der konfigurierten Sequenz.
Eingaben und Modi
Der Hersteller zeigt Text-, Bild- und Videofragen. Thinking ist standardmäßig aktiviert, mit einem Denkblock vor der endgültigen Antwort. enable_thinking kann dieses Verhalten für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren Prompt-Schalter /think und /nothink offiziell nicht. Halten Sie das erforderliche Ergebnis nach der Erklärung leicht erkennbar, etwa einen berechneten Wert, eine Tabelle extrahierter Felder oder einen bearbeitbaren Code-Patch.
Das Videobeispiel verwendet im unterstützten Ablauf standardmäßig zwei Frames pro Sekunde. Für Videos im Stundenbereich empfiehlt der Hersteller ein höheres Prozessorbudget für Sampling mit höherer Rate und nennt ein Beispiel mit ungefähr 224K Videotokens. Mehr visuelle Details benötigen mehr Kontext- und Verarbeitungsbudget. Diese Einstellungen begründen weder eine bedingungslose Videodauer noch exakte Ereigniszeitstempel für jede Schnittstelle.
Frühere Überlegungen
Das Standard-Template bewahrt Überlegungen, die der jüngsten Nutzernachricht zugeordnet sind. Die Option preserve_thinking kann zusätzlich Überlegungen aus früheren Nachrichten bewahren; das ausdrückliche Herstellerbeispiel aktiviert sie mit true. Das kann iterative Entwicklung unterstützen, bei der frühere Entscheidungen nach neuen Tool-Rückmeldungen relevant bleiben. Es unterscheidet sich vom dokumentierten standardmäßigen Erhaltungsverhalten von Qwen3.8 und von Qwen3.5s Empfehlung, nur endgültige Antworten im Verlauf zu behalten. Folgen Sie dem genauen Checkpoint-Format, statt stillschweigend die Verlaufsregeln einer anderen Generation einzusetzen.
Agentischer Einsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder MCP-angebundenen Tools sowie Qwen Code für Coding-Agent-Arbeit. Nennen Sie die erlaubten Aktionen und beobachtbaren Abschlusskriterien. Ein Tool kann bereitgestelltes Material prüfen oder ein tatsächliches Prüfergebnis zurückgeben, woraufhin das Modell seine Analyse überarbeiten kann. Das Modell erhält nicht allein durch seine Agentenspezialisierung Zugriff auf ein Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Ultralange Eingabe
Das Erweiterungsrezept verwendet YaRN mit den verschachtelten Positionseinstellungen dieses Modells. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Tokens ab; für Arbeitslasten mit 524,288 Tokens wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten senken und sollte daher dem tatsächlichen Bedarf an langem Kontext folgen. Halten Sie Seiten, Funktionen und Dokumentgrenzen gekennzeichnet und verlangen Sie anschließend Schlussfolgerungen, die die stützenden Belege nennen.
Generierungsempfehlungen und Grenzen
Die Best Practices der Karte empfehlen für allgemeines Thinking temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 0 und Repetition Penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 gesetzt. Für direkte Antworten beträgt temperature 0.7, top_p 0.8 und Presence Penalty 1.5; die anderen Werte bleiben unverändert. Der Hersteller warnt, dass höhere Presence Penalties Sprachen vermischen oder die Qualität leicht verringern können.
Empfohlene Generierungsbudgets sind 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich schwierige Mathematik- oder Programmieraufgaben. Das sind keine separat festgelegten harten Obergrenzen. Definieren Sie ein Format für die endgültige Antwort und prüfen Sie extrahierten Text, räumliche Schlussfolgerungen, Berechnungen und vorgeschlagenen Code anhand der Quelle. Ein großer Kontext und bewahrte Überlegungen helfen, Belege durch die Aufgabe zu führen; das prüfbare Artefakt bleibt das nützliche Ergebnis.
", "aboutText": "Qwen3.6-Schwerpunkte in einem dichten 27B-Modell\n\nQwen3.6-27B ist ein dichtes Vision-Language-Modell, das aus Qwen3.5-27B entwickelt wurde. Der Hersteller hebt stärkere Coding-Agenten und STEM-Schlussfolgerungen hervor, mit Verbesserungen bei räumlichem Verständnis, Objektlokalisierung und -erkennung, Dokument-OCR, Videoverständnis und visuellen Agenten. Es nimmt Text, Bilder und Video entgegen und generiert Text. Diese konkrete dichte Ausführung unterscheidet sich vom Mixture-of-Experts-Modell Qwen3.6-35B-A3B, obwohl sie dieselbe Generation und denselben Aufgabenschwerpunkt teilen.\n\nStellen Sie für ein STEM-Diagramm die vollständige Aufgabenstellung bereit und bewahren Sie Beschriftungen und Einheiten. Bitten Sie das Modell, direkt sichtbare Fakten von Annahmen zu trennen und anschließend eine Erklärung mit einer klaren endgültigen Antwort zurückzugeben. Legen Sie bei einem Dokument die zu extrahierenden Felder oder Aussagen fest und fordern Sie stützende Seitenverweise an. Stellen Sie für einen Coding-Agenten die relevanten Module, das gewünschte Verhalten und tatsächliche Rückmeldungen aus dem angebundenen Ablauf bereit. Diese Beispiele wenden die dokumentierten Fähigkeiten an; sie behaupten keine exakte Extraktion oder erfolgreiche Ausführung.\n\nModellüberblick\n\nDas Modell besitzt 27 Milliarden Parameter und 64 Sprachmodellschichten. Sein hybrider Aufbau wiederholt drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, und verwendet dichte Feed-Forward-Netze statt spärlicher Experten. Ein Vision-Encoder ermöglicht Bild- und Videoverständnis, und Multi-Token Prediction ist Teil des Trainings. Diese Architekturfakten kennzeichnen den Checkpoint, ohne Qualität oder Antwortzeit jeder Anwendung zu bewerten.\n\nDer native Kontext umfasst 262,144 Tokens und lässt sich durch Konfiguration auf 1,010,000 erweitern. Qwen empfiehlt für komplexe Schlussfolgerungen nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, erkennt aber an, dass Speicherdruck eine kleinere Einstellung erfordern kann. Repräsentierte Bilder und Videos, Text, frühere Nachrichten, Überlegungen und Antwort verbrauchen alle Platz in der konfigurierten Sequenz.\n\nEingaben und Modi\n\nDer Hersteller zeigt Text-, Bild- und Videofragen. Thinking ist standardmäßig aktiviert, mit einem Denkblock vor der endgültigen Antwort. enable_thinking kann dieses Verhalten für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren Prompt-Schalter /think und /nothink offiziell nicht. Halten Sie das erforderliche Ergebnis nach der Erklärung leicht erkennbar, etwa einen berechneten Wert, eine Tabelle extrahierter Felder oder einen bearbeitbaren Code-Patch.\n\nDas Videobeispiel verwendet im unterstützten Ablauf standardmäßig zwei Frames pro Sekunde. Für Videos im Stundenbereich empfiehlt der Hersteller ein höheres Prozessorbudget für Sampling mit höherer Rate und nennt ein Beispiel mit ungefähr 224K Videotokens. Mehr visuelle Details benötigen mehr Kontext- und Verarbeitungsbudget. Diese Einstellungen begründen weder eine bedingungslose Videodauer noch exakte Ereigniszeitstempel für jede Schnittstelle.\n\nFrühere Überlegungen\n\nDas Standard-Template bewahrt Überlegungen, die der jüngsten Nutzernachricht zugeordnet sind. Die Option preserve_thinking kann zusätzlich Überlegungen aus früheren Nachrichten bewahren; das ausdrückliche Herstellerbeispiel aktiviert sie mit true. Das kann iterative Entwicklung unterstützen, bei der frühere Entscheidungen nach neuen Tool-Rückmeldungen relevant bleiben. Es unterscheidet sich vom dokumentierten standardmäßigen Erhaltungsverhalten von Qwen3.8 und von Qwen3.5s Empfehlung, nur endgültige Antworten im Verlauf zu behalten. Folgen Sie dem genauen Checkpoint-Format, statt stillschweigend die Verlaufsregeln einer anderen Generation einzusetzen.\n\nAgentischer Einsatz\n\nQwen dokumentiert Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder MCP-angebundenen Tools sowie Qwen Code für Coding-Agent-Arbeit. Nennen Sie die erlaubten Aktionen und beobachtbaren Abschlusskriterien. Ein Tool kann bereitgestelltes Material prüfen oder ein tatsächliches Prüfergebnis zurückgeben, woraufhin das Modell seine Analyse überarbeiten kann. Das Modell erhält nicht allein durch seine Agentenspezialisierung Zugriff auf ein Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.\n\nUltralange Eingabe\n\nDas Erweiterungsrezept verwendet YaRN mit den verschachtelten Positionseinstellungen dieses Modells. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Tokens ab; für Arbeitslasten mit 524,288 Tokens wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten senken und sollte daher dem tatsächlichen Bedarf an langem Kontext folgen. Halten Sie Seiten, Funktionen und Dokumentgrenzen gekennzeichnet und verlangen Sie anschließend Schlussfolgerungen, die die stützenden Belege nennen.\n\nGenerierungsempfehlungen und Grenzen\n\nDie Best Practices der Karte empfehlen für allgemeines Thinking temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 0 und Repetition Penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 gesetzt. Für direkte Antworten beträgt temperature 0.7, top_p 0.8 und Presence Penalty 1.5; die anderen Werte bleiben unverändert. Der Hersteller warnt, dass höhere Presence Penalties Sprachen vermischen oder die Qualität leicht verringern können.\n\nEmpfohlene Generierungsbudgets sind 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich schwierige Mathematik- oder Programmieraufgaben. Das sind keine separat festgelegten harten Obergrenzen. Definieren Sie ein Format für die endgültige Antwort und prüfen Sie extrahierten Text, räumliche Schlussfolgerungen, Berechnungen und vorgeschlagenen Code anhand der Quelle. Ein großer Kontext und bewahrte Überlegungen helfen, Belege durch die Aufgabe zu führen; das prüfbare Artefakt bleibt das nützliche Ergebnis.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B ist Qwens dichtes Vision-Language-Modell für Programmierung, MINT-Schlussfolgern und visuelle Analyse. Es nimmt Text, Bilder und Video entgegen und gibt Text zurück, mit wählbarem Thinking, optionaler Bewahrung früherer Gedankengänge und einem nativen Kontext von 262.144 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.6-Schwerpunkte in einem dichten 27B-Modell
Qwen3.6-27B ist ein dichtes Vision-Language-Modell, das aus Qwen3.5-27B entwickelt wurde. Der Hersteller hebt stärkere Coding-Agenten und STEM-Schlussfolgerungen hervor, mit Verbesserungen bei räumlichem Verständnis, Objektlokalisierung und -erkennung, Dokument-OCR, Videoverständnis und visuellen Agenten. Es nimmt Text, Bilder und Video entgegen und generiert Text. Diese konkrete dichte Ausführung unterscheidet sich vom Mixture-of-Experts-Modell Qwen3.6-35B-A3B, obwohl sie dieselbe Generation und denselben Aufgabenschwerpunkt teilen.
Stellen Sie für ein STEM-Diagramm die vollständige Aufgabenstellung bereit und bewahren Sie Beschriftungen und Einheiten. Bitten Sie das Modell, direkt sichtbare Fakten von Annahmen zu trennen und anschließend eine Erklärung mit einer klaren endgültigen Antwort zurückzugeben. Legen Sie bei einem Dokument die zu extrahierenden Felder oder Aussagen fest und fordern Sie stützende Seitenverweise an. Stellen Sie für einen Coding-Agenten die relevanten Module, das gewünschte Verhalten und tatsächliche Rückmeldungen aus dem angebundenen Ablauf bereit. Diese Beispiele wenden die dokumentierten Fähigkeiten an; sie behaupten keine exakte Extraktion oder erfolgreiche Ausführung.
Modellüberblick
Das Modell besitzt 27 Milliarden Parameter und 64 Sprachmodellschichten. Sein hybrider Aufbau wiederholt drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, und verwendet dichte Feed-Forward-Netze statt spärlicher Experten. Ein Vision-Encoder ermöglicht Bild- und Videoverständnis, und Multi-Token Prediction ist Teil des Trainings. Diese Architekturfakten kennzeichnen den Checkpoint, ohne Qualität oder Antwortzeit jeder Anwendung zu bewerten.
Der native Kontext umfasst 262,144 Tokens und lässt sich durch Konfiguration auf 1,010,000 erweitern. Qwen empfiehlt für komplexe Schlussfolgerungen nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, erkennt aber an, dass Speicherdruck eine kleinere Einstellung erfordern kann. Repräsentierte Bilder und Videos, Text, frühere Nachrichten, Überlegungen und Antwort verbrauchen alle Platz in der konfigurierten Sequenz.
Eingaben und Modi
Der Hersteller zeigt Text-, Bild- und Videofragen. Thinking ist standardmäßig aktiviert, mit einem Denkblock vor der endgültigen Antwort. enable_thinking kann dieses Verhalten für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren Prompt-Schalter /think und /nothink offiziell nicht. Halten Sie das erforderliche Ergebnis nach der Erklärung leicht erkennbar, etwa einen berechneten Wert, eine Tabelle extrahierter Felder oder einen bearbeitbaren Code-Patch.
Das Videobeispiel verwendet im unterstützten Ablauf standardmäßig zwei Frames pro Sekunde. Für Videos im Stundenbereich empfiehlt der Hersteller ein höheres Prozessorbudget für Sampling mit höherer Rate und nennt ein Beispiel mit ungefähr 224K Videotokens. Mehr visuelle Details benötigen mehr Kontext- und Verarbeitungsbudget. Diese Einstellungen begründen weder eine bedingungslose Videodauer noch exakte Ereigniszeitstempel für jede Schnittstelle.
Frühere Überlegungen
Das Standard-Template bewahrt Überlegungen, die der jüngsten Nutzernachricht zugeordnet sind. Die Option preserve_thinking kann zusätzlich Überlegungen aus früheren Nachrichten bewahren; das ausdrückliche Herstellerbeispiel aktiviert sie mit true. Das kann iterative Entwicklung unterstützen, bei der frühere Entscheidungen nach neuen Tool-Rückmeldungen relevant bleiben. Es unterscheidet sich vom dokumentierten standardmäßigen Erhaltungsverhalten von Qwen3.8 und von Qwen3.5s Empfehlung, nur endgültige Antworten im Verlauf zu behalten. Folgen Sie dem genauen Checkpoint-Format, statt stillschweigend die Verlaufsregeln einer anderen Generation einzusetzen.
Agentischer Einsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder MCP-angebundenen Tools sowie Qwen Code für Coding-Agent-Arbeit. Nennen Sie die erlaubten Aktionen und beobachtbaren Abschlusskriterien. Ein Tool kann bereitgestelltes Material prüfen oder ein tatsächliches Prüfergebnis zurückgeben, woraufhin das Modell seine Analyse überarbeiten kann. Das Modell erhält nicht allein durch seine Agentenspezialisierung Zugriff auf ein Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Ultralange Eingabe
Das Erweiterungsrezept verwendet YaRN mit den verschachtelten Positionseinstellungen dieses Modells. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Tokens ab; für Arbeitslasten mit 524,288 Tokens wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten senken und sollte daher dem tatsächlichen Bedarf an langem Kontext folgen. Halten Sie Seiten, Funktionen und Dokumentgrenzen gekennzeichnet und verlangen Sie anschließend Schlussfolgerungen, die die stützenden Belege nennen.
Generierungsempfehlungen und Grenzen
Die Best Practices der Karte empfehlen für allgemeines Thinking temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 0 und Repetition Penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 gesetzt. Für direkte Antworten beträgt temperature 0.7, top_p 0.8 und Presence Penalty 1.5; die anderen Werte bleiben unverändert. Der Hersteller warnt, dass höhere Presence Penalties Sprachen vermischen oder die Qualität leicht verringern können.
Empfohlene Generierungsbudgets sind 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich schwierige Mathematik- oder Programmieraufgaben. Das sind keine separat festgelegten harten Obergrenzen. Definieren Sie ein Format für die endgültige Antwort und prüfen Sie extrahierten Text, räumliche Schlussfolgerungen, Berechnungen und vorgeschlagenen Code anhand der Quelle. Ein großer Kontext und bewahrte Überlegungen helfen, Belege durch die Aufgabe zu führen; das prüfbare Artefakt bleibt das nützliche Ergebnis.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.6-27b | 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 $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.0054 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.0054 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "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/qwen3.6-27b',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/qwen3.6-27b',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/qwen3.6-27b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.6-27bQwen3.6-27B ist Qwens dichtes Vision-Language-Modell für Programmierung, MINT-Schlussfolgern und visuelle Analyse. Es nimmt Text, Bilder und Video entgegen und gibt Text zurück, mit wählbarem Thinking, optionaler Bewahrung früherer Gedankengänge und einem nativen Kontext von 262.144 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.6-Schwerpunkte in einem dichten 27B-Modell
Qwen3.6-27B ist ein dichtes Vision-Language-Modell, das aus Qwen3.5-27B entwickelt wurde. Der Hersteller hebt stärkere Coding-Agenten und STEM-Schlussfolgerungen hervor, mit Verbesserungen bei räumlichem Verständnis, Objektlokalisierung und -erkennung, Dokument-OCR, Videoverständnis und visuellen Agenten. Es nimmt Text, Bilder und Video entgegen und generiert Text. Diese konkrete dichte Ausführung unterscheidet sich vom Mixture-of-Experts-Modell Qwen3.6-35B-A3B, obwohl sie dieselbe Generation und denselben Aufgabenschwerpunkt teilen.
Stellen Sie für ein STEM-Diagramm die vollständige Aufgabenstellung bereit und bewahren Sie Beschriftungen und Einheiten. Bitten Sie das Modell, direkt sichtbare Fakten von Annahmen zu trennen und anschließend eine Erklärung mit einer klaren endgültigen Antwort zurückzugeben. Legen Sie bei einem Dokument die zu extrahierenden Felder oder Aussagen fest und fordern Sie stützende Seitenverweise an. Stellen Sie für einen Coding-Agenten die relevanten Module, das gewünschte Verhalten und tatsächliche Rückmeldungen aus dem angebundenen Ablauf bereit. Diese Beispiele wenden die dokumentierten Fähigkeiten an; sie behaupten keine exakte Extraktion oder erfolgreiche Ausführung.
Modellüberblick
Das Modell besitzt 27 Milliarden Parameter und 64 Sprachmodellschichten. Sein hybrider Aufbau wiederholt drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, und verwendet dichte Feed-Forward-Netze statt spärlicher Experten. Ein Vision-Encoder ermöglicht Bild- und Videoverständnis, und Multi-Token Prediction ist Teil des Trainings. Diese Architekturfakten kennzeichnen den Checkpoint, ohne Qualität oder Antwortzeit jeder Anwendung zu bewerten.
Der native Kontext umfasst 262,144 Tokens und lässt sich durch Konfiguration auf 1,010,000 erweitern. Qwen empfiehlt für komplexe Schlussfolgerungen nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, erkennt aber an, dass Speicherdruck eine kleinere Einstellung erfordern kann. Repräsentierte Bilder und Videos, Text, frühere Nachrichten, Überlegungen und Antwort verbrauchen alle Platz in der konfigurierten Sequenz.
Eingaben und Modi
Der Hersteller zeigt Text-, Bild- und Videofragen. Thinking ist standardmäßig aktiviert, mit einem Denkblock vor der endgültigen Antwort. enable_thinking kann dieses Verhalten für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren Prompt-Schalter /think und /nothink offiziell nicht. Halten Sie das erforderliche Ergebnis nach der Erklärung leicht erkennbar, etwa einen berechneten Wert, eine Tabelle extrahierter Felder oder einen bearbeitbaren Code-Patch.
Das Videobeispiel verwendet im unterstützten Ablauf standardmäßig zwei Frames pro Sekunde. Für Videos im Stundenbereich empfiehlt der Hersteller ein höheres Prozessorbudget für Sampling mit höherer Rate und nennt ein Beispiel mit ungefähr 224K Videotokens. Mehr visuelle Details benötigen mehr Kontext- und Verarbeitungsbudget. Diese Einstellungen begründen weder eine bedingungslose Videodauer noch exakte Ereigniszeitstempel für jede Schnittstelle.
Frühere Überlegungen
Das Standard-Template bewahrt Überlegungen, die der jüngsten Nutzernachricht zugeordnet sind. Die Option preserve_thinking kann zusätzlich Überlegungen aus früheren Nachrichten bewahren; das ausdrückliche Herstellerbeispiel aktiviert sie mit true. Das kann iterative Entwicklung unterstützen, bei der frühere Entscheidungen nach neuen Tool-Rückmeldungen relevant bleiben. Es unterscheidet sich vom dokumentierten standardmäßigen Erhaltungsverhalten von Qwen3.8 und von Qwen3.5s Empfehlung, nur endgültige Antworten im Verlauf zu behalten. Folgen Sie dem genauen Checkpoint-Format, statt stillschweigend die Verlaufsregeln einer anderen Generation einzusetzen.
Agentischer Einsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder MCP-angebundenen Tools sowie Qwen Code für Coding-Agent-Arbeit. Nennen Sie die erlaubten Aktionen und beobachtbaren Abschlusskriterien. Ein Tool kann bereitgestelltes Material prüfen oder ein tatsächliches Prüfergebnis zurückgeben, woraufhin das Modell seine Analyse überarbeiten kann. Das Modell erhält nicht allein durch seine Agentenspezialisierung Zugriff auf ein Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Ultralange Eingabe
Das Erweiterungsrezept verwendet YaRN mit den verschachtelten Positionseinstellungen dieses Modells. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Tokens ab; für Arbeitslasten mit 524,288 Tokens wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten senken und sollte daher dem tatsächlichen Bedarf an langem Kontext folgen. Halten Sie Seiten, Funktionen und Dokumentgrenzen gekennzeichnet und verlangen Sie anschließend Schlussfolgerungen, die die stützenden Belege nennen.
Generierungsempfehlungen und Grenzen
Die Best Practices der Karte empfehlen für allgemeines Thinking temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 0 und Repetition Penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 gesetzt. Für direkte Antworten beträgt temperature 0.7, top_p 0.8 und Presence Penalty 1.5; die anderen Werte bleiben unverändert. Der Hersteller warnt, dass höhere Presence Penalties Sprachen vermischen oder die Qualität leicht verringern können.
Empfohlene Generierungsbudgets sind 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich schwierige Mathematik- oder Programmieraufgaben. Das sind keine separat festgelegten harten Obergrenzen. Definieren Sie ein Format für die endgültige Antwort und prüfen Sie extrahierten Text, räumliche Schlussfolgerungen, Berechnungen und vorgeschlagenen Code anhand der Quelle. Ein großer Kontext und bewahrte Überlegungen helfen, Belege durch die Aufgabe zu führen; das prüfbare Artefakt bleibt das nützliche Ergebnis.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.6-27b | 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 $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.0054 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.0054 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.6-27b', '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/qwen3.6-27b', '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/qwen3.6-27b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.