Qwen3.6-Schwerpunkte: Programmierung und Kontinuität der Überlegungen
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmier- und Agentenarbeit. Qwen hebt stärkere Frontend-Abläufe und Schlussfolgerungen auf Repository-Ebene sowie eine neue Option zur Erhaltung von Überlegungen früherer Nachrichten hervor. Es nimmt Text, Bilder und Video entgegen und liefert Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes Textartefakt. Bewahren Sie genau diese 35B-A3B-Ausführung, statt sie als das dichte Qwen3.6-27B oder ihr früheres Qwen3.5-Gegenstück zu behandeln.
Stellen Sie für eine Frontend-Aufgabe den relevanten Screenshot, funktionale Anforderungen und den bestehenden Codekontext bereit. Fordern Sie bearbeitbaren Quelltext und eine Beschreibung der beabsichtigten Zustände und Interaktionen an. Benennen Sie für eine Repository-Aufgabe die betroffene Funktionalität, die problemaufdeckende Eingabe und das erwartete Verhalten. Fordern Sie einen Patch-Vorschlag mit seinen Annahmen und relevanten Prüfungen an.
Modellüberblick
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 40 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Es besitzt 256 geroutete Experten und wählt acht geroutete Experten mit einem geteilten Experten aus; Multi-Token Prediction ist Teil des Trainings. Die kleinere aktivierte Anzahl beschreibt nicht die vollständige Checkpoint-Größe. Ein Vision-Encoder liefert den visuellen Teil des Modells.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Der Hersteller empfiehlt für komplexe Thinking-Aufgaben nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn eine Reduktion den Speicherbedarf verringern würde. Quelltext, repräsentierte visuelle Inhalte, frühere Nachrichten, Überlegungen und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Karte zeigt Text-, Bild- und Videofragen. Bewahren Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Halten Sie bei einem Clip die Zeitinformationen fest und benennen Sie das relevante Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmäßig zwei Frames pro Sekunde und erlaubt die Konfiguration des Samplings. Das empfohlene Rezept erweitert das Budget des Videoprozessors für Analysen im Stundenbereich mit höherer Rate auf ungefähr 224K Videotokens; es ist ein Konfigurationsbeispiel und keine harte universelle Clipdauergrenze.
Thinking ist standardmäßig aktiviert. Die Herstelleroption enable_thinking kann es für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren weichen Qwen3-Prompt-Schalter /think und /nothink offiziell nicht. Trennen Sie bei der Ergebnisdarstellung die Überlegungen vom abschließenden Artefakt und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt die Anwendbarkeit von Prompt-Markern oder Optionen einer anderen Generation vorauszusetzen.
Frühere Überlegungen bewahren
Standardmäßig bewahrt das Template Denkblöcke, die der jüngsten Nutzernachricht zugeordnet sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Überlegungen zu nutzen, wenn preserve_thinking aktiviert ist. Das ausdrückliche Beispiel setzt diese Option auf true. Das kann einer iterativen Agentenaufgabe helfen, Entscheidungskontext zu bewahren, statt frühere Entscheidungen wiederholt neu herzuleiten; es verändert auch die Menge des mitgeführten Verlaufs. Die Verfügbarkeit der Option hängt davon ab, ob die Schnittstelle das Herstellerrezept anbietet.
Agentischer Einsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent zur Tool-Konfiguration, einschließlich MCP-angebundener Tools. Qwen Code ist ein weiterer vom Hersteller dokumentierter Coding-Agent-Ablauf. Definieren Sie die erlaubten Tools, das Aufgabenziel und das erwartete Ergebnis und geben Sie anschließend tatsächliche Tool-Beobachtungen an das Modell zurück. Das Modell kann über ein Ergebnis schlussfolgern und einen Plan überarbeiten; Zugriff auf Dateien oder Ausführungsumgebungen stammt von der angebundenen Anwendung und nicht vom Modellnamen.
Ultralanger Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Tokens ab; für Arbeitslasten mit 524,288 Tokens empfiehlt Qwen einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen, weshalb der Hersteller eine Änderung bei Bedarf für längeren Kontext empfiehlt. Bewahren Sie in einer großen Eingabe Abschnitts- und Codekennungen und verlangen Sie, dass das Ergebnis die stützenden Belege jeder Schlussfolgerung zeigt.
Generierungsempfehlungen und Grenzen
Für allgemeines Thinking empfiehlt der Hersteller temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 1.5 und Repetition Penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 und Presence Penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und Presence Penalty 1.5; die anderen Werte bleiben unverändert. Höhere Presence Penalties können Wiederholungen reduzieren, aber Sprachen vermischen oder die Qualität leicht senken.
Qwen empfiehlt ein Generierungsbudget von 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben. Das sind Empfehlungen und keine separat festgelegten harten Ausgabeobergrenzen. Nennen Sie das endgültige Format ausdrücklich und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität der Überlegungen und langer Kontext helfen, die Belege einer Aufgabe weiterzuführen, während ein überprüfbares abschließendes Artefakt das Ergebnis nützlich macht.
", "aboutText": "Qwen3.6-Schwerpunkte: Programmierung und Kontinuität der Überlegungen\n\nQwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmier- und Agentenarbeit. Qwen hebt stärkere Frontend-Abläufe und Schlussfolgerungen auf Repository-Ebene sowie eine neue Option zur Erhaltung von Überlegungen früherer Nachrichten hervor. Es nimmt Text, Bilder und Video entgegen und liefert Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes Textartefakt. Bewahren Sie genau diese 35B-A3B-Ausführung, statt sie als das dichte Qwen3.6-27B oder ihr früheres Qwen3.5-Gegenstück zu behandeln.\n\nStellen Sie für eine Frontend-Aufgabe den relevanten Screenshot, funktionale Anforderungen und den bestehenden Codekontext bereit. Fordern Sie bearbeitbaren Quelltext und eine Beschreibung der beabsichtigten Zustände und Interaktionen an. Benennen Sie für eine Repository-Aufgabe die betroffene Funktionalität, die problemaufdeckende Eingabe und das erwartete Verhalten. Fordern Sie einen Patch-Vorschlag mit seinen Annahmen und relevanten Prüfungen an.\n\nModellüberblick\n\nDas Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 40 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Es besitzt 256 geroutete Experten und wählt acht geroutete Experten mit einem geteilten Experten aus; Multi-Token Prediction ist Teil des Trainings. Die kleinere aktivierte Anzahl beschreibt nicht die vollständige Checkpoint-Größe. Ein Vision-Encoder liefert den visuellen Teil des Modells.\n\nDer native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Der Hersteller empfiehlt für komplexe Thinking-Aufgaben nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn eine Reduktion den Speicherbedarf verringern würde. Quelltext, repräsentierte visuelle Inhalte, frühere Nachrichten, Überlegungen und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.\n\nEingaben und Antwortmodi verwenden\n\nDie Karte zeigt Text-, Bild- und Videofragen. Bewahren Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Halten Sie bei einem Clip die Zeitinformationen fest und benennen Sie das relevante Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmäßig zwei Frames pro Sekunde und erlaubt die Konfiguration des Samplings. Das empfohlene Rezept erweitert das Budget des Videoprozessors für Analysen im Stundenbereich mit höherer Rate auf ungefähr 224K Videotokens; es ist ein Konfigurationsbeispiel und keine harte universelle Clipdauergrenze.\n\nThinking ist standardmäßig aktiviert. Die Herstelleroption enable_thinking kann es für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren weichen Qwen3-Prompt-Schalter /think und /nothink offiziell nicht. Trennen Sie bei der Ergebnisdarstellung die Überlegungen vom abschließenden Artefakt und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt die Anwendbarkeit von Prompt-Markern oder Optionen einer anderen Generation vorauszusetzen.\n\nFrühere Überlegungen bewahren\n\nStandardmäßig bewahrt das Template Denkblöcke, die der jüngsten Nutzernachricht zugeordnet sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Überlegungen zu nutzen, wenn preserve_thinking aktiviert ist. Das ausdrückliche Beispiel setzt diese Option auf true. Das kann einer iterativen Agentenaufgabe helfen, Entscheidungskontext zu bewahren, statt frühere Entscheidungen wiederholt neu herzuleiten; es verändert auch die Menge des mitgeführten Verlaufs. Die Verfügbarkeit der Option hängt davon ab, ob die Schnittstelle das Herstellerrezept anbietet.\n\nAgentischer Einsatz\n\nQwen dokumentiert Tool Calling und empfiehlt Qwen-Agent zur Tool-Konfiguration, einschließlich MCP-angebundener Tools. Qwen Code ist ein weiterer vom Hersteller dokumentierter Coding-Agent-Ablauf. Definieren Sie die erlaubten Tools, das Aufgabenziel und das erwartete Ergebnis und geben Sie anschließend tatsächliche Tool-Beobachtungen an das Modell zurück. Das Modell kann über ein Ergebnis schlussfolgern und einen Plan überarbeiten; Zugriff auf Dateien oder Ausführungsumgebungen stammt von der angebundenen Anwendung und nicht vom Modellnamen.\n\nUltralanger Text\n\nDie dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Tokens ab; für Arbeitslasten mit 524,288 Tokens empfiehlt Qwen einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen, weshalb der Hersteller eine Änderung bei Bedarf für längeren Kontext empfiehlt. Bewahren Sie in einer großen Eingabe Abschnitts- und Codekennungen und verlangen Sie, dass das Ergebnis die stützenden Belege jeder Schlussfolgerung zeigt.\n\nGenerierungsempfehlungen und Grenzen\n\nFür allgemeines Thinking empfiehlt der Hersteller temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 1.5 und Repetition Penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 und Presence Penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und Presence Penalty 1.5; die anderen Werte bleiben unverändert. Höhere Presence Penalties können Wiederholungen reduzieren, aber Sprachen vermischen oder die Qualität leicht senken.\n\nQwen empfiehlt ein Generierungsbudget von 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben. Das sind Empfehlungen und keine separat festgelegten harten Ausgabeobergrenzen. Nennen Sie das endgültige Format ausdrücklich und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität der Überlegungen und langer Kontext helfen, die Belege einer Aufgabe weiterzuführen, während ein überprüfbares abschließendes Artefakt das Ergebnis nützlich macht.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es konzentriert sich auf Frontend-Programmierung und Codearbeit auf Repository-Ebene, ergänzt die optionale Erhaltung früherer Überlegungen und nimmt Text, Bilder und Video mit Textausgabe entgegen.
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: Programmierung und Kontinuität der Überlegungen
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmier- und Agentenarbeit. Qwen hebt stärkere Frontend-Abläufe und Schlussfolgerungen auf Repository-Ebene sowie eine neue Option zur Erhaltung von Überlegungen früherer Nachrichten hervor. Es nimmt Text, Bilder und Video entgegen und liefert Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes Textartefakt. Bewahren Sie genau diese 35B-A3B-Ausführung, statt sie als das dichte Qwen3.6-27B oder ihr früheres Qwen3.5-Gegenstück zu behandeln.
Stellen Sie für eine Frontend-Aufgabe den relevanten Screenshot, funktionale Anforderungen und den bestehenden Codekontext bereit. Fordern Sie bearbeitbaren Quelltext und eine Beschreibung der beabsichtigten Zustände und Interaktionen an. Benennen Sie für eine Repository-Aufgabe die betroffene Funktionalität, die problemaufdeckende Eingabe und das erwartete Verhalten. Fordern Sie einen Patch-Vorschlag mit seinen Annahmen und relevanten Prüfungen an.
Modellüberblick
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 40 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Es besitzt 256 geroutete Experten und wählt acht geroutete Experten mit einem geteilten Experten aus; Multi-Token Prediction ist Teil des Trainings. Die kleinere aktivierte Anzahl beschreibt nicht die vollständige Checkpoint-Größe. Ein Vision-Encoder liefert den visuellen Teil des Modells.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Der Hersteller empfiehlt für komplexe Thinking-Aufgaben nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn eine Reduktion den Speicherbedarf verringern würde. Quelltext, repräsentierte visuelle Inhalte, frühere Nachrichten, Überlegungen und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Karte zeigt Text-, Bild- und Videofragen. Bewahren Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Halten Sie bei einem Clip die Zeitinformationen fest und benennen Sie das relevante Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmäßig zwei Frames pro Sekunde und erlaubt die Konfiguration des Samplings. Das empfohlene Rezept erweitert das Budget des Videoprozessors für Analysen im Stundenbereich mit höherer Rate auf ungefähr 224K Videotokens; es ist ein Konfigurationsbeispiel und keine harte universelle Clipdauergrenze.
Thinking ist standardmäßig aktiviert. Die Herstelleroption enable_thinking kann es für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren weichen Qwen3-Prompt-Schalter /think und /nothink offiziell nicht. Trennen Sie bei der Ergebnisdarstellung die Überlegungen vom abschließenden Artefakt und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt die Anwendbarkeit von Prompt-Markern oder Optionen einer anderen Generation vorauszusetzen.
Frühere Überlegungen bewahren
Standardmäßig bewahrt das Template Denkblöcke, die der jüngsten Nutzernachricht zugeordnet sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Überlegungen zu nutzen, wenn preserve_thinking aktiviert ist. Das ausdrückliche Beispiel setzt diese Option auf true. Das kann einer iterativen Agentenaufgabe helfen, Entscheidungskontext zu bewahren, statt frühere Entscheidungen wiederholt neu herzuleiten; es verändert auch die Menge des mitgeführten Verlaufs. Die Verfügbarkeit der Option hängt davon ab, ob die Schnittstelle das Herstellerrezept anbietet.
Agentischer Einsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent zur Tool-Konfiguration, einschließlich MCP-angebundener Tools. Qwen Code ist ein weiterer vom Hersteller dokumentierter Coding-Agent-Ablauf. Definieren Sie die erlaubten Tools, das Aufgabenziel und das erwartete Ergebnis und geben Sie anschließend tatsächliche Tool-Beobachtungen an das Modell zurück. Das Modell kann über ein Ergebnis schlussfolgern und einen Plan überarbeiten; Zugriff auf Dateien oder Ausführungsumgebungen stammt von der angebundenen Anwendung und nicht vom Modellnamen.
Ultralanger Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Tokens ab; für Arbeitslasten mit 524,288 Tokens empfiehlt Qwen einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen, weshalb der Hersteller eine Änderung bei Bedarf für längeren Kontext empfiehlt. Bewahren Sie in einer großen Eingabe Abschnitts- und Codekennungen und verlangen Sie, dass das Ergebnis die stützenden Belege jeder Schlussfolgerung zeigt.
Generierungsempfehlungen und Grenzen
Für allgemeines Thinking empfiehlt der Hersteller temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 1.5 und Repetition Penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 und Presence Penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und Presence Penalty 1.5; die anderen Werte bleiben unverändert. Höhere Presence Penalties können Wiederholungen reduzieren, aber Sprachen vermischen oder die Qualität leicht senken.
Qwen empfiehlt ein Generierungsbudget von 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben. Das sind Empfehlungen und keine separat festgelegten harten Ausgabeobergrenzen. Nennen Sie das endgültige Format ausdrücklich und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität der Überlegungen und langer Kontext helfen, die Belege einer Aufgabe weiterzuführen, während ein überprüfbares abschließendes Artefakt das Ergebnis nützlich macht.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K Tokens Ausgabe · Ausgabetoken $0.00341 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000566 / 1K Tokens Ausgabe · Ausgabetoken $0.00341 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-35b-a3b", "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/qwen3.6-35b-a3b',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/qwen3.6-35b-a3b',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/qwen3.6-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es konzentriert sich auf Frontend-Programmierung und Codearbeit auf Repository-Ebene, ergänzt die optionale Erhaltung früherer Überlegungen und nimmt Text, Bilder und Video mit Textausgabe entgegen.
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: Programmierung und Kontinuität der Überlegungen
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmier- und Agentenarbeit. Qwen hebt stärkere Frontend-Abläufe und Schlussfolgerungen auf Repository-Ebene sowie eine neue Option zur Erhaltung von Überlegungen früherer Nachrichten hervor. Es nimmt Text, Bilder und Video entgegen und liefert Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes Textartefakt. Bewahren Sie genau diese 35B-A3B-Ausführung, statt sie als das dichte Qwen3.6-27B oder ihr früheres Qwen3.5-Gegenstück zu behandeln.
Stellen Sie für eine Frontend-Aufgabe den relevanten Screenshot, funktionale Anforderungen und den bestehenden Codekontext bereit. Fordern Sie bearbeitbaren Quelltext und eine Beschreibung der beabsichtigten Zustände und Interaktionen an. Benennen Sie für eine Repository-Aufgabe die betroffene Funktionalität, die problemaufdeckende Eingabe und das erwartete Verhalten. Fordern Sie einen Patch-Vorschlag mit seinen Annahmen und relevanten Prüfungen an.
Modellüberblick
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 40 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Es besitzt 256 geroutete Experten und wählt acht geroutete Experten mit einem geteilten Experten aus; Multi-Token Prediction ist Teil des Trainings. Die kleinere aktivierte Anzahl beschreibt nicht die vollständige Checkpoint-Größe. Ein Vision-Encoder liefert den visuellen Teil des Modells.
Der native Kontext umfasst 262,144 Tokens, mit bedingter Erweiterung auf 1,010,000. Der Hersteller empfiehlt für komplexe Thinking-Aufgaben nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn eine Reduktion den Speicherbedarf verringern würde. Quelltext, repräsentierte visuelle Inhalte, frühere Nachrichten, Überlegungen und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Karte zeigt Text-, Bild- und Videofragen. Bewahren Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Halten Sie bei einem Clip die Zeitinformationen fest und benennen Sie das relevante Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmäßig zwei Frames pro Sekunde und erlaubt die Konfiguration des Samplings. Das empfohlene Rezept erweitert das Budget des Videoprozessors für Analysen im Stundenbereich mit höherer Rate auf ungefähr 224K Videotokens; es ist ein Konfigurationsbeispiel und keine harte universelle Clipdauergrenze.
Thinking ist standardmäßig aktiviert. Die Herstelleroption enable_thinking kann es für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren weichen Qwen3-Prompt-Schalter /think und /nothink offiziell nicht. Trennen Sie bei der Ergebnisdarstellung die Überlegungen vom abschließenden Artefakt und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt die Anwendbarkeit von Prompt-Markern oder Optionen einer anderen Generation vorauszusetzen.
Frühere Überlegungen bewahren
Standardmäßig bewahrt das Template Denkblöcke, die der jüngsten Nutzernachricht zugeordnet sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Überlegungen zu nutzen, wenn preserve_thinking aktiviert ist. Das ausdrückliche Beispiel setzt diese Option auf true. Das kann einer iterativen Agentenaufgabe helfen, Entscheidungskontext zu bewahren, statt frühere Entscheidungen wiederholt neu herzuleiten; es verändert auch die Menge des mitgeführten Verlaufs. Die Verfügbarkeit der Option hängt davon ab, ob die Schnittstelle das Herstellerrezept anbietet.
Agentischer Einsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent zur Tool-Konfiguration, einschließlich MCP-angebundener Tools. Qwen Code ist ein weiterer vom Hersteller dokumentierter Coding-Agent-Ablauf. Definieren Sie die erlaubten Tools, das Aufgabenziel und das erwartete Ergebnis und geben Sie anschließend tatsächliche Tool-Beobachtungen an das Modell zurück. Das Modell kann über ein Ergebnis schlussfolgern und einen Plan überarbeiten; Zugriff auf Dateien oder Ausführungsumgebungen stammt von der angebundenen Anwendung und nicht vom Modellnamen.
Ultralanger Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Tokens ab; für Arbeitslasten mit 524,288 Tokens empfiehlt Qwen einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen, weshalb der Hersteller eine Änderung bei Bedarf für längeren Kontext empfiehlt. Bewahren Sie in einer großen Eingabe Abschnitts- und Codekennungen und verlangen Sie, dass das Ergebnis die stützenden Belege jeder Schlussfolgerung zeigt.
Generierungsempfehlungen und Grenzen
Für allgemeines Thinking empfiehlt der Hersteller temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 1.5 und Repetition Penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 und Presence Penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und Presence Penalty 1.5; die anderen Werte bleiben unverändert. Höhere Presence Penalties können Wiederholungen reduzieren, aber Sprachen vermischen oder die Qualität leicht senken.
Qwen empfiehlt ein Generierungsbudget von 32,768 Tokens für die meisten Fragen und 81,920 für ungewöhnlich komplexe mathematische oder Programmieraufgaben. Das sind Empfehlungen und keine separat festgelegten harten Ausgabeobergrenzen. Nennen Sie das endgültige Format ausdrücklich und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität der Überlegungen und langer Kontext helfen, die Belege einer Aufgabe weiterzuführen, während ein überprüfbares abschließendes Artefakt das Ergebnis nützlich macht.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K Tokens Ausgabe · Ausgabetoken $0.00341 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000566 / 1K Tokens Ausgabe · Ausgabetoken $0.00341 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.6-35b-a3b', '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/qwen3.6-35b-a3b', '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/qwen3.6-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.