Qwen3.5: Stärken in der dichten 27B-Ausgabe
Qwen3.5-27B ist ein nachtrainiertes dichtes Vision-Language-Modell. Text, Bilder und Video können an einer Aufgabe beteiligt sein, während das Ergebnis Text ist: eine Erklärung, ein Codevorschlag, extrahierte Informationen oder ein anderes angefordertes Artefakt. Die frühe Fusion von Text- und Bildtraining in der Familie entwickelt Schlussfolgerungs-, Programmier-, Agenten- und visuelle Fähigkeiten, mit Reinforcement Learning über zunehmend komplexe Aufgaben und Unterstützung für 201 Sprachen und Dialekte.
Diese Sprachabdeckung hilft, mehrsprachige Aufgaben zu formulieren, garantiert aber keine identische Zuverlässigkeit für jeden Dialekt oder Fachwortschatz. Geben Sie Zielsprache, Zielgruppe und unverändert beizubehaltende Begriffe an. Kennzeichnen Sie für einen sprachübergreifenden Dokumentvergleich jede Quelle und verlangen Sie ein nach den zu vergleichenden Fakten oder Fragen gegliedertes Ergebnis.
Modellübersicht
Die konkrete 27B-Ausgabe ist dicht, mit 64 Sprachmodellschichten und einem Vision-Encoder. Ihre hybride Architektur wechselt zwischen Gruppen aus drei Gated-DeltaNet-Schichten und einer Schicht mit Gated Attention und verwendet dichte Feedforward-Netze. Multi-Token Prediction ist im Training enthalten. Die für andere Qwen3.5-Grössen beschriebene dünn besetzte Mixture-of-Experts-Architektur darf diesem Modell nicht zugeschrieben werden; seine Identität mit 27 Milliarden Parametern ist seine eigene Checkpoint-Spezifikation.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Qwen empfiehlt für komplexe Denkaufgaben nach Möglichkeit mindestens einen 128K-Kontext beizubehalten, erlaubt aber kleinere Einstellungen, wenn Speicherbeschränkungen dies erfordern. Dies ist eine Konfigurationsempfehlung und kein Beleg dafür, dass jede Oberfläche den vollen Kontext anbietet. Quelltext, visuelle Token, Verlauf, Denkverlauf und Antwort teilen sich das Sequenzbudget.
Text und visuelle Inhalte vorbereiten
Erhalten Sie bei einem technischen Dokument Abschnittskennungen und verlangen Sie eine Anforderungstabelle oder eine durch diese Abschnitte gestützte Erklärung. Erhalten Sie bei einem Diagramm die Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Geben Sie für eine Programmieraufgabe die relevante Funktion, beobachtetes Verhalten und das erforderliche Ergebnis an. Eine nützliche Antwort sollte verwendete Belege benennen, Annahmen abgrenzen und das Endartefakt in einer überprüfbaren Form zurückgeben.
Benennen Sie bei einer Videofrage das relevante Ereignis oder die Abfolge und erhalten Sie Zeitangaben und Bildreihenfolge. Das Beispiel des Herstellers verwendet im unterstützten Ablauf zwei Bilder pro Sekunde. Seine Anleitung für lange Videos empfiehlt ein grösseres Prozessorbudget, das ungefähr 224K Video-Token entspricht, für Analysen im Stundenbereich mit höherer Abtastrate. Diese Einstellungen erfordern Konfiguration und belegen keine allgemeingültige Garantie für Dauer oder genaue Ereigniszeitstempel.
Denkmodus und direkte Antworten
Der Denkmodus ist standardmässig aktiviert und geht der endgültigen Antwort voraus. enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die älteren Soft-Schalter /think und /nothink offiziell nicht. Der Hersteller empfiehlt, in früheren Assistentennachrichten nur den endgültigen Antworttext statt des Denkinhalts zu bewahren. Dies sind die Vorgaben für Qwen3.5; sie sollten vom für spätere Veröffentlichungen dokumentierten Verhalten zur Erhaltung früherer Denkverläufe getrennt bleiben.
Wählen Sie vor dem Absenden der Aufgabe eine Endform: eine kurze Schlussfolgerung mit stützenden Werten, eine Tabelle extrahierter Felder oder einen erläuterten Code-Patch. Auch eine direkte Antwort ist eine zu prüfende generierte Antwort; ein langes Denkprotokoll ist kein unabhängiger Beleg für die Richtigkeit seiner Schlussfolgerung.
Agenteneinsatz
Der Hersteller unterstützt Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Programmieragentenabläufe. Geben Sie den Werkzeugen der Anwendung eine klare Rolle und liefern Sie ihre tatsächlichen Beobachtungen an das Modell zurück. Das Modell kann mit diesen Rückmeldungen planen und anpassen, während die Anwendung die Aktionen ausführt. Werkzeugunterstützung belegt für sich keinen integrierten Zugriff auf Internet, Dateien oder eine Codeausführungsumgebung über jede Oberfläche.
Sehr langer Text
Die Erweiterung verwendet YaRN mit der eigenen Positionskonfiguration des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Qualität bei kürzeren Texten mindern. Der Hersteller empfiehlt sie deshalb, wenn der grössere Kontext tatsächlich benötigt wird. Ordnen Sie langes Material und reservieren Sie Platz für die erforderliche Antwort, statt die grösste Kontextzahl als unbegrenzte Dokumenterinnerung zu interpretieren.
Empfehlungen zur Generierung und Grenzen
Die Best Practices empfehlen für allgemeines Schlussfolgern temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Presence Penalty von 1.5 und eine Repetition Penalty von 1.0. Präzise Programmierung verwendet temperature 0.6 und eine Presence Penalty von null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und eine Presence Penalty von 1.5; top_k beträgt 20, min_p 0 und die Repetition Penalty 1.0. Schlussfolgern mit direkter Antwort verwendet die separate Best-Practice-Voreinstellung temperature 1.0, top_p 1.0, top_k 40 und Presence Penalty 2.0. Höhere Presence Penalties können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlene Generierungsbudgets sind 32,768 Token für die meisten Aufgaben und 81,920 für ungewöhnlich komplexe Mathematik oder Programmierung. Sie sind keine unabhängigen harten Ausgabeobergrenzen. Geben Sie Antwortschema oder Trennzeichen ausdrücklich an und prüfen Sie Code, Berechnungen, Zitate und visuelle Details anhand der Quelle. Das nützliche Ergebnis ist ein konkretes Textartefakt, bei dem die genaue dichte 27B-Identität, Eingaben und Antwortmodus erhalten bleiben.
", "aboutText": "Qwen3.5: Stärken in der dichten 27B-Ausgabe\n\nQwen3.5-27B ist ein nachtrainiertes dichtes Vision-Language-Modell. Text, Bilder und Video können an einer Aufgabe beteiligt sein, während das Ergebnis Text ist: eine Erklärung, ein Codevorschlag, extrahierte Informationen oder ein anderes angefordertes Artefakt. Die frühe Fusion von Text- und Bildtraining in der Familie entwickelt Schlussfolgerungs-, Programmier-, Agenten- und visuelle Fähigkeiten, mit Reinforcement Learning über zunehmend komplexe Aufgaben und Unterstützung für 201 Sprachen und Dialekte.\n\nDiese Sprachabdeckung hilft, mehrsprachige Aufgaben zu formulieren, garantiert aber keine identische Zuverlässigkeit für jeden Dialekt oder Fachwortschatz. Geben Sie Zielsprache, Zielgruppe und unverändert beizubehaltende Begriffe an. Kennzeichnen Sie für einen sprachübergreifenden Dokumentvergleich jede Quelle und verlangen Sie ein nach den zu vergleichenden Fakten oder Fragen gegliedertes Ergebnis.\n\nModellübersicht\n\nDie konkrete 27B-Ausgabe ist dicht, mit 64 Sprachmodellschichten und einem Vision-Encoder. Ihre hybride Architektur wechselt zwischen Gruppen aus drei Gated-DeltaNet-Schichten und einer Schicht mit Gated Attention und verwendet dichte Feedforward-Netze. Multi-Token Prediction ist im Training enthalten. Die für andere Qwen3.5-Grössen beschriebene dünn besetzte Mixture-of-Experts-Architektur darf diesem Modell nicht zugeschrieben werden; seine Identität mit 27 Milliarden Parametern ist seine eigene Checkpoint-Spezifikation.\n\nDer native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Qwen empfiehlt für komplexe Denkaufgaben nach Möglichkeit mindestens einen 128K-Kontext beizubehalten, erlaubt aber kleinere Einstellungen, wenn Speicherbeschränkungen dies erfordern. Dies ist eine Konfigurationsempfehlung und kein Beleg dafür, dass jede Oberfläche den vollen Kontext anbietet. Quelltext, visuelle Token, Verlauf, Denkverlauf und Antwort teilen sich das Sequenzbudget.\n\nText und visuelle Inhalte vorbereiten\n\nErhalten Sie bei einem technischen Dokument Abschnittskennungen und verlangen Sie eine Anforderungstabelle oder eine durch diese Abschnitte gestützte Erklärung. Erhalten Sie bei einem Diagramm die Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Geben Sie für eine Programmieraufgabe die relevante Funktion, beobachtetes Verhalten und das erforderliche Ergebnis an. Eine nützliche Antwort sollte verwendete Belege benennen, Annahmen abgrenzen und das Endartefakt in einer überprüfbaren Form zurückgeben.\n\nBenennen Sie bei einer Videofrage das relevante Ereignis oder die Abfolge und erhalten Sie Zeitangaben und Bildreihenfolge. Das Beispiel des Herstellers verwendet im unterstützten Ablauf zwei Bilder pro Sekunde. Seine Anleitung für lange Videos empfiehlt ein grösseres Prozessorbudget, das ungefähr 224K Video-Token entspricht, für Analysen im Stundenbereich mit höherer Abtastrate. Diese Einstellungen erfordern Konfiguration und belegen keine allgemeingültige Garantie für Dauer oder genaue Ereigniszeitstempel.\n\nDenkmodus und direkte Antworten\n\nDer Denkmodus ist standardmässig aktiviert und geht der endgültigen Antwort voraus. enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die älteren Soft-Schalter /think und /nothink offiziell nicht. Der Hersteller empfiehlt, in früheren Assistentennachrichten nur den endgültigen Antworttext statt des Denkinhalts zu bewahren. Dies sind die Vorgaben für Qwen3.5; sie sollten vom für spätere Veröffentlichungen dokumentierten Verhalten zur Erhaltung früherer Denkverläufe getrennt bleiben.\n\nWählen Sie vor dem Absenden der Aufgabe eine Endform: eine kurze Schlussfolgerung mit stützenden Werten, eine Tabelle extrahierter Felder oder einen erläuterten Code-Patch. Auch eine direkte Antwort ist eine zu prüfende generierte Antwort; ein langes Denkprotokoll ist kein unabhängiger Beleg für die Richtigkeit seiner Schlussfolgerung.\n\nAgenteneinsatz\n\nDer Hersteller unterstützt Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Programmieragentenabläufe. Geben Sie den Werkzeugen der Anwendung eine klare Rolle und liefern Sie ihre tatsächlichen Beobachtungen an das Modell zurück. Das Modell kann mit diesen Rückmeldungen planen und anpassen, während die Anwendung die Aktionen ausführt. Werkzeugunterstützung belegt für sich keinen integrierten Zugriff auf Internet, Dateien oder eine Codeausführungsumgebung über jede Oberfläche.\n\nSehr langer Text\n\nDie Erweiterung verwendet YaRN mit der eigenen Positionskonfiguration des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Qualität bei kürzeren Texten mindern. Der Hersteller empfiehlt sie deshalb, wenn der grössere Kontext tatsächlich benötigt wird. Ordnen Sie langes Material und reservieren Sie Platz für die erforderliche Antwort, statt die grösste Kontextzahl als unbegrenzte Dokumenterinnerung zu interpretieren.\n\nEmpfehlungen zur Generierung und Grenzen\n\nDie Best Practices empfehlen für allgemeines Schlussfolgern temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Presence Penalty von 1.5 und eine Repetition Penalty von 1.0. Präzise Programmierung verwendet temperature 0.6 und eine Presence Penalty von null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und eine Presence Penalty von 1.5; top_k beträgt 20, min_p 0 und die Repetition Penalty 1.0. Schlussfolgern mit direkter Antwort verwendet die separate Best-Practice-Voreinstellung temperature 1.0, top_p 1.0, top_k 40 und Presence Penalty 2.0. Höhere Presence Penalties können Sprachen vermischen oder die Qualität leicht mindern.\n\nEmpfohlene Generierungsbudgets sind 32,768 Token für die meisten Aufgaben und 81,920 für ungewöhnlich komplexe Mathematik oder Programmierung. Sie sind keine unabhängigen harten Ausgabeobergrenzen. Geben Sie Antwortschema oder Trennzeichen ausdrücklich an und prüfen Sie Code, Berechnungen, Zitate und visuelle Details anhand der Quelle. Das nützliche Ergebnis ist ein konkretes Textartefakt, bei dem die genaue dichte 27B-Identität, Eingaben und Antwortmodus erhalten bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B ist Qwens dichtes Vision-Language-Modell mit 27 Milliarden Parametern für Text, Bilder und Video mit Textausgabe. Es unterstützt Schlussfolgern, Programmierung, werkzeuggestützte Arbeit und mehrsprachige Aufgaben, mit wählbarem Denkmodus 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.
Qwen3.5: Stärken in der dichten 27B-Ausgabe
Qwen3.5-27B ist ein nachtrainiertes dichtes Vision-Language-Modell. Text, Bilder und Video können an einer Aufgabe beteiligt sein, während das Ergebnis Text ist: eine Erklärung, ein Codevorschlag, extrahierte Informationen oder ein anderes angefordertes Artefakt. Die frühe Fusion von Text- und Bildtraining in der Familie entwickelt Schlussfolgerungs-, Programmier-, Agenten- und visuelle Fähigkeiten, mit Reinforcement Learning über zunehmend komplexe Aufgaben und Unterstützung für 201 Sprachen und Dialekte.
Diese Sprachabdeckung hilft, mehrsprachige Aufgaben zu formulieren, garantiert aber keine identische Zuverlässigkeit für jeden Dialekt oder Fachwortschatz. Geben Sie Zielsprache, Zielgruppe und unverändert beizubehaltende Begriffe an. Kennzeichnen Sie für einen sprachübergreifenden Dokumentvergleich jede Quelle und verlangen Sie ein nach den zu vergleichenden Fakten oder Fragen gegliedertes Ergebnis.
Modellübersicht
Die konkrete 27B-Ausgabe ist dicht, mit 64 Sprachmodellschichten und einem Vision-Encoder. Ihre hybride Architektur wechselt zwischen Gruppen aus drei Gated-DeltaNet-Schichten und einer Schicht mit Gated Attention und verwendet dichte Feedforward-Netze. Multi-Token Prediction ist im Training enthalten. Die für andere Qwen3.5-Grössen beschriebene dünn besetzte Mixture-of-Experts-Architektur darf diesem Modell nicht zugeschrieben werden; seine Identität mit 27 Milliarden Parametern ist seine eigene Checkpoint-Spezifikation.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Qwen empfiehlt für komplexe Denkaufgaben nach Möglichkeit mindestens einen 128K-Kontext beizubehalten, erlaubt aber kleinere Einstellungen, wenn Speicherbeschränkungen dies erfordern. Dies ist eine Konfigurationsempfehlung und kein Beleg dafür, dass jede Oberfläche den vollen Kontext anbietet. Quelltext, visuelle Token, Verlauf, Denkverlauf und Antwort teilen sich das Sequenzbudget.
Text und visuelle Inhalte vorbereiten
Erhalten Sie bei einem technischen Dokument Abschnittskennungen und verlangen Sie eine Anforderungstabelle oder eine durch diese Abschnitte gestützte Erklärung. Erhalten Sie bei einem Diagramm die Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Geben Sie für eine Programmieraufgabe die relevante Funktion, beobachtetes Verhalten und das erforderliche Ergebnis an. Eine nützliche Antwort sollte verwendete Belege benennen, Annahmen abgrenzen und das Endartefakt in einer überprüfbaren Form zurückgeben.
Benennen Sie bei einer Videofrage das relevante Ereignis oder die Abfolge und erhalten Sie Zeitangaben und Bildreihenfolge. Das Beispiel des Herstellers verwendet im unterstützten Ablauf zwei Bilder pro Sekunde. Seine Anleitung für lange Videos empfiehlt ein grösseres Prozessorbudget, das ungefähr 224K Video-Token entspricht, für Analysen im Stundenbereich mit höherer Abtastrate. Diese Einstellungen erfordern Konfiguration und belegen keine allgemeingültige Garantie für Dauer oder genaue Ereigniszeitstempel.
Denkmodus und direkte Antworten
Der Denkmodus ist standardmässig aktiviert und geht der endgültigen Antwort voraus. enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die älteren Soft-Schalter /think und /nothink offiziell nicht. Der Hersteller empfiehlt, in früheren Assistentennachrichten nur den endgültigen Antworttext statt des Denkinhalts zu bewahren. Dies sind die Vorgaben für Qwen3.5; sie sollten vom für spätere Veröffentlichungen dokumentierten Verhalten zur Erhaltung früherer Denkverläufe getrennt bleiben.
Wählen Sie vor dem Absenden der Aufgabe eine Endform: eine kurze Schlussfolgerung mit stützenden Werten, eine Tabelle extrahierter Felder oder einen erläuterten Code-Patch. Auch eine direkte Antwort ist eine zu prüfende generierte Antwort; ein langes Denkprotokoll ist kein unabhängiger Beleg für die Richtigkeit seiner Schlussfolgerung.
Agenteneinsatz
Der Hersteller unterstützt Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Programmieragentenabläufe. Geben Sie den Werkzeugen der Anwendung eine klare Rolle und liefern Sie ihre tatsächlichen Beobachtungen an das Modell zurück. Das Modell kann mit diesen Rückmeldungen planen und anpassen, während die Anwendung die Aktionen ausführt. Werkzeugunterstützung belegt für sich keinen integrierten Zugriff auf Internet, Dateien oder eine Codeausführungsumgebung über jede Oberfläche.
Sehr langer Text
Die Erweiterung verwendet YaRN mit der eigenen Positionskonfiguration des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Qualität bei kürzeren Texten mindern. Der Hersteller empfiehlt sie deshalb, wenn der grössere Kontext tatsächlich benötigt wird. Ordnen Sie langes Material und reservieren Sie Platz für die erforderliche Antwort, statt die grösste Kontextzahl als unbegrenzte Dokumenterinnerung zu interpretieren.
Empfehlungen zur Generierung und Grenzen
Die Best Practices empfehlen für allgemeines Schlussfolgern temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Presence Penalty von 1.5 und eine Repetition Penalty von 1.0. Präzise Programmierung verwendet temperature 0.6 und eine Presence Penalty von null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und eine Presence Penalty von 1.5; top_k beträgt 20, min_p 0 und die Repetition Penalty 1.0. Schlussfolgern mit direkter Antwort verwendet die separate Best-Practice-Voreinstellung temperature 1.0, top_p 1.0, top_k 40 und Presence Penalty 2.0. Höhere Presence Penalties können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlene Generierungsbudgets sind 32,768 Token für die meisten Aufgaben und 81,920 für ungewöhnlich komplexe Mathematik oder Programmierung. Sie sind keine unabhängigen harten Ausgabeobergrenzen. Geben Sie Antwortschema oder Trennzeichen ausdrücklich an und prüfen Sie Code, Berechnungen, Zitate und visuelle Details anhand der Quelle. Das nützliche Ergebnis ist ein konkretes Textartefakt, bei dem die genaue dichte 27B-Identität, Eingaben und Antwortmodus erhalten bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-27b | 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 $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00412 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00412 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-27b", "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/qwen3.5-27b',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/qwen3.5-27b',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/qwen3.5-27b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-27bQwen3.5-27B ist Qwens dichtes Vision-Language-Modell mit 27 Milliarden Parametern für Text, Bilder und Video mit Textausgabe. Es unterstützt Schlussfolgern, Programmierung, werkzeuggestützte Arbeit und mehrsprachige Aufgaben, mit wählbarem Denkmodus 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.
Qwen3.5: Stärken in der dichten 27B-Ausgabe
Qwen3.5-27B ist ein nachtrainiertes dichtes Vision-Language-Modell. Text, Bilder und Video können an einer Aufgabe beteiligt sein, während das Ergebnis Text ist: eine Erklärung, ein Codevorschlag, extrahierte Informationen oder ein anderes angefordertes Artefakt. Die frühe Fusion von Text- und Bildtraining in der Familie entwickelt Schlussfolgerungs-, Programmier-, Agenten- und visuelle Fähigkeiten, mit Reinforcement Learning über zunehmend komplexe Aufgaben und Unterstützung für 201 Sprachen und Dialekte.
Diese Sprachabdeckung hilft, mehrsprachige Aufgaben zu formulieren, garantiert aber keine identische Zuverlässigkeit für jeden Dialekt oder Fachwortschatz. Geben Sie Zielsprache, Zielgruppe und unverändert beizubehaltende Begriffe an. Kennzeichnen Sie für einen sprachübergreifenden Dokumentvergleich jede Quelle und verlangen Sie ein nach den zu vergleichenden Fakten oder Fragen gegliedertes Ergebnis.
Modellübersicht
Die konkrete 27B-Ausgabe ist dicht, mit 64 Sprachmodellschichten und einem Vision-Encoder. Ihre hybride Architektur wechselt zwischen Gruppen aus drei Gated-DeltaNet-Schichten und einer Schicht mit Gated Attention und verwendet dichte Feedforward-Netze. Multi-Token Prediction ist im Training enthalten. Die für andere Qwen3.5-Grössen beschriebene dünn besetzte Mixture-of-Experts-Architektur darf diesem Modell nicht zugeschrieben werden; seine Identität mit 27 Milliarden Parametern ist seine eigene Checkpoint-Spezifikation.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Qwen empfiehlt für komplexe Denkaufgaben nach Möglichkeit mindestens einen 128K-Kontext beizubehalten, erlaubt aber kleinere Einstellungen, wenn Speicherbeschränkungen dies erfordern. Dies ist eine Konfigurationsempfehlung und kein Beleg dafür, dass jede Oberfläche den vollen Kontext anbietet. Quelltext, visuelle Token, Verlauf, Denkverlauf und Antwort teilen sich das Sequenzbudget.
Text und visuelle Inhalte vorbereiten
Erhalten Sie bei einem technischen Dokument Abschnittskennungen und verlangen Sie eine Anforderungstabelle oder eine durch diese Abschnitte gestützte Erklärung. Erhalten Sie bei einem Diagramm die Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Geben Sie für eine Programmieraufgabe die relevante Funktion, beobachtetes Verhalten und das erforderliche Ergebnis an. Eine nützliche Antwort sollte verwendete Belege benennen, Annahmen abgrenzen und das Endartefakt in einer überprüfbaren Form zurückgeben.
Benennen Sie bei einer Videofrage das relevante Ereignis oder die Abfolge und erhalten Sie Zeitangaben und Bildreihenfolge. Das Beispiel des Herstellers verwendet im unterstützten Ablauf zwei Bilder pro Sekunde. Seine Anleitung für lange Videos empfiehlt ein grösseres Prozessorbudget, das ungefähr 224K Video-Token entspricht, für Analysen im Stundenbereich mit höherer Abtastrate. Diese Einstellungen erfordern Konfiguration und belegen keine allgemeingültige Garantie für Dauer oder genaue Ereigniszeitstempel.
Denkmodus und direkte Antworten
Der Denkmodus ist standardmässig aktiviert und geht der endgültigen Antwort voraus. enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die älteren Soft-Schalter /think und /nothink offiziell nicht. Der Hersteller empfiehlt, in früheren Assistentennachrichten nur den endgültigen Antworttext statt des Denkinhalts zu bewahren. Dies sind die Vorgaben für Qwen3.5; sie sollten vom für spätere Veröffentlichungen dokumentierten Verhalten zur Erhaltung früherer Denkverläufe getrennt bleiben.
Wählen Sie vor dem Absenden der Aufgabe eine Endform: eine kurze Schlussfolgerung mit stützenden Werten, eine Tabelle extrahierter Felder oder einen erläuterten Code-Patch. Auch eine direkte Antwort ist eine zu prüfende generierte Antwort; ein langes Denkprotokoll ist kein unabhängiger Beleg für die Richtigkeit seiner Schlussfolgerung.
Agenteneinsatz
Der Hersteller unterstützt Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Programmieragentenabläufe. Geben Sie den Werkzeugen der Anwendung eine klare Rolle und liefern Sie ihre tatsächlichen Beobachtungen an das Modell zurück. Das Modell kann mit diesen Rückmeldungen planen und anpassen, während die Anwendung die Aktionen ausführt. Werkzeugunterstützung belegt für sich keinen integrierten Zugriff auf Internet, Dateien oder eine Codeausführungsumgebung über jede Oberfläche.
Sehr langer Text
Die Erweiterung verwendet YaRN mit der eigenen Positionskonfiguration des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Qualität bei kürzeren Texten mindern. Der Hersteller empfiehlt sie deshalb, wenn der grössere Kontext tatsächlich benötigt wird. Ordnen Sie langes Material und reservieren Sie Platz für die erforderliche Antwort, statt die grösste Kontextzahl als unbegrenzte Dokumenterinnerung zu interpretieren.
Empfehlungen zur Generierung und Grenzen
Die Best Practices empfehlen für allgemeines Schlussfolgern temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Presence Penalty von 1.5 und eine Repetition Penalty von 1.0. Präzise Programmierung verwendet temperature 0.6 und eine Presence Penalty von null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und eine Presence Penalty von 1.5; top_k beträgt 20, min_p 0 und die Repetition Penalty 1.0. Schlussfolgern mit direkter Antwort verwendet die separate Best-Practice-Voreinstellung temperature 1.0, top_p 1.0, top_k 40 und Presence Penalty 2.0. Höhere Presence Penalties können Sprachen vermischen oder die Qualität leicht mindern.
Empfohlene Generierungsbudgets sind 32,768 Token für die meisten Aufgaben und 81,920 für ungewöhnlich komplexe Mathematik oder Programmierung. Sie sind keine unabhängigen harten Ausgabeobergrenzen. Geben Sie Antwortschema oder Trennzeichen ausdrücklich an und prüfen Sie Code, Berechnungen, Zitate und visuelle Details anhand der Quelle. Das nützliche Ergebnis ist ein konkretes Textartefakt, bei dem die genaue dichte 27B-Identität, Eingaben und Antwortmodus erhalten bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-27b | 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 $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00412 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00052 / 1K Tokens Ausgabe · Ausgabetoken $0.00412 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-27b', '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/qwen3.5-27b', '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/qwen3.5-27b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.