Qwen3.5: Stärken des Checkpoints 397B-A17B
Qwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Mixture-of-Experts-Modell der Qwen3.5-Familie. Es akzeptiert Text, Bilder und Video und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumentartefakte. Die Familie nutzt frühe Text-Bild-Fusion und Reinforcement Learning mit zunehmend komplexen Aufgaben, um Schlussfolgern, Programmierung, Agenten und visuelles Verständnis zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und ist keine Zusage identischer Zuverlässigkeit für jede Sprache oder jedes Fachgebiet.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus separat als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Erhalten Sie die eigene Identität, den Kontext und die Generierungsanleitung dieses offenen Checkpoints, statt jede verwaltete Funktion oder spätere Qwen-Option zu übernehmen. Die konkrete Ausgabe 397B-A17B bleibt von kleineren dichten und Expertenmodellen derselben Familie getrennt.
Modellübersicht
Das Modell besitzt insgesamt 397 Milliarden Parameter und aktiviert 17 Milliarden. Seine hybride Architektur mit 60 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschliessend eine Expertenschicht mit Gated Attention. Der Hersteller nennt 512 geroutete Experten, von denen zehn zusammen mit einem gemeinsamen Experten ausgewählt werden. Ein Vision-Encoder und Multi-Token Prediction sind Teil des Modells. Gesamtparameter, aktivierte Parameter und der Speicherumfang des vollständigen Checkpoints sind unterschiedliche Begriffe; diese Zahlen belegen keine feste Antwortzeit.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf bis zu 1,010,000. Text, repräsentierte Bilder oder Videos, Gesprächsverlauf, Denkverlauf und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie das tatsächlich konfigurierte Budget für eine Aufgabe, statt anzunehmen, dass das grösste Dokument und die grösste Antwort automatisch zusammen hineinpassen.
Text und visuelle Belege vorbereiten
Liefern Sie für ein technisches Projekt die Spezifikation, relevanten Code und Diagramme und definieren Sie das zu erzeugende Artefakt. Verlangen Sie einen nach betroffenen Komponenten gegliederten Implementierungsvorschlag, der durch die gelieferten Anforderungen gestützt wird. Erhalten Sie bei einem Dokumentvergleich Abschnittskennungen, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Erkenntnistabelle mit Belegen für jede Zeile. Geben Sie für einen mehrsprachigen Bericht die Zielsprache und die unverändert beizubehaltenden Begriffe an.
Erhalten Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitangaben. Vergleichen Sie die zurückgegebenen visuellen Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Passagen und Zeitstempeln. Das Ergebnis bleibt Textanalyse oder Code; die visuelle Eingabe des Modells bedeutet keine Bild-, Video- oder Sprachgenerierung.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmässig aktiviert und geht der endgültigen Antwort voraus. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Die älteren Soft-Prompt-Schalter /think und /nothink werden für Qwen3.5 offiziell nicht unterstützt. Machen Sie das Endartefakt nach dem Denkverlauf leicht auffindbar, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder getrennten Codevorschlag.
Die Modellkarte empfiehlt, in früheren Assistentennachrichten endgültige Antworten ohne Denkinhalt zu behalten. Das unterscheidet sich von Optionen und Standardwerten zur Erhaltung früherer Denkverläufe, die in späteren Veröffentlichungen eingeführt wurden. Folgen Sie der Vorlage dieses konkreten Checkpoints und ordnen Sie Korrekturen oder Werkzeugbeobachtungen der Aufgabe zu, die sie aktualisieren.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Programmieragentenabläufe. Geben Sie erlaubte Operationen, verfügbare Belege und beobachtbare Abschlusskriterien an. Eine Anwendung führt Werkzeuge aus und liefert ihre Ergebnisse; das Modell kann diese Beobachtungen nutzen, um seinen Plan oder seine Erklärung anzupassen. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.
Sehr langer Text und Video
Die Erweiterung des Herstellers verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen und sollte deshalb einem tatsächlichen Bedarf an grösserem Kontext folgen. Ordnen Sie eine lange Eingabe nach Dokument, Seite oder Codekennung und lassen Sie Platz für das Ergebnis.
Das unterstützte Videobeispiel verwendet standardmässig zwei Bilder pro Sekunde. Für Material im Stundenbereich empfiehlt der Hersteller ein grösseres Prozessorbudget, das ungefähr 224K Video-Token entspricht, für eine höhere Abtastrate. Dies ist eine konfigurationsabhängige Anleitung, keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelpräzision.
Empfehlungen zur Generierung und inhaltliche Grenzen
Die Best Practices dieses Checkpoints empfehlen für den Denkmodus temperature 0.6, top_p 0.95, top_k 20 und min_p 0 und für direkte Antworten temperature 0.7, top_p 0.8, top_k 20 und min_p 0. Diese konkreten Empfehlungen unterscheiden sich von manchen kleineren Qwen3.5-Ausgaben. Soweit unterstützt, kann eine Presence Penalty zwischen null und zwei Wiederholungen verringern; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern.
Empfohlene Generierungsbudgets sind 32,768 Token für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierarbeit. Es sind Empfehlungen, keine unabhängigen harten Ausgabeobergrenzen. Geben Sie das erforderliche Antwortformat an und prüfen Sie Berechnungen, extrahierte Details und vorgeschlagenen Code anhand der Quelle. Die nützliche Ausgabe ist ein konkretes Textartefakt, dessen Belege und Annahmen überprüfbar sind.
", "aboutText": "Qwen3.5: Stärken des Checkpoints 397B-A17B\n\nQwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Mixture-of-Experts-Modell der Qwen3.5-Familie. Es akzeptiert Text, Bilder und Video und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumentartefakte. Die Familie nutzt frühe Text-Bild-Fusion und Reinforcement Learning mit zunehmend komplexen Aufgaben, um Schlussfolgern, Programmierung, Agenten und visuelles Verständnis zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und ist keine Zusage identischer Zuverlässigkeit für jede Sprache oder jedes Fachgebiet.\n\nDer Hersteller beschreibt das verwaltete Qwen3.5-Plus separat als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Erhalten Sie die eigene Identität, den Kontext und die Generierungsanleitung dieses offenen Checkpoints, statt jede verwaltete Funktion oder spätere Qwen-Option zu übernehmen. Die konkrete Ausgabe 397B-A17B bleibt von kleineren dichten und Expertenmodellen derselben Familie getrennt.\n\nModellübersicht\n\nDas Modell besitzt insgesamt 397 Milliarden Parameter und aktiviert 17 Milliarden. Seine hybride Architektur mit 60 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschliessend eine Expertenschicht mit Gated Attention. Der Hersteller nennt 512 geroutete Experten, von denen zehn zusammen mit einem gemeinsamen Experten ausgewählt werden. Ein Vision-Encoder und Multi-Token Prediction sind Teil des Modells. Gesamtparameter, aktivierte Parameter und der Speicherumfang des vollständigen Checkpoints sind unterschiedliche Begriffe; diese Zahlen belegen keine feste Antwortzeit.\n\nDer native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf bis zu 1,010,000. Text, repräsentierte Bilder oder Videos, Gesprächsverlauf, Denkverlauf und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie das tatsächlich konfigurierte Budget für eine Aufgabe, statt anzunehmen, dass das grösste Dokument und die grösste Antwort automatisch zusammen hineinpassen.\n\nText und visuelle Belege vorbereiten\n\nLiefern Sie für ein technisches Projekt die Spezifikation, relevanten Code und Diagramme und definieren Sie das zu erzeugende Artefakt. Verlangen Sie einen nach betroffenen Komponenten gegliederten Implementierungsvorschlag, der durch die gelieferten Anforderungen gestützt wird. Erhalten Sie bei einem Dokumentvergleich Abschnittskennungen, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Erkenntnistabelle mit Belegen für jede Zeile. Geben Sie für einen mehrsprachigen Bericht die Zielsprache und die unverändert beizubehaltenden Begriffe an.\n\nErhalten Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitangaben. Vergleichen Sie die zurückgegebenen visuellen Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Passagen und Zeitstempeln. Das Ergebnis bleibt Textanalyse oder Code; die visuelle Eingabe des Modells bedeutet keine Bild-, Video- oder Sprachgenerierung.\n\nDenkmodus und Gesprächsverlauf\n\nDer Denkmodus ist standardmässig aktiviert und geht der endgültigen Antwort voraus. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Die älteren Soft-Prompt-Schalter /think und /nothink werden für Qwen3.5 offiziell nicht unterstützt. Machen Sie das Endartefakt nach dem Denkverlauf leicht auffindbar, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder getrennten Codevorschlag.\n\nDie Modellkarte empfiehlt, in früheren Assistentennachrichten endgültige Antworten ohne Denkinhalt zu behalten. Das unterscheidet sich von Optionen und Standardwerten zur Erhaltung früherer Denkverläufe, die in späteren Veröffentlichungen eingeführt wurden. Folgen Sie der Vorlage dieses konkreten Checkpoints und ordnen Sie Korrekturen oder Werkzeugbeobachtungen der Aufgabe zu, die sie aktualisieren.\n\nAgenteneinsatz\n\nQwen dokumentiert Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Programmieragentenabläufe. Geben Sie erlaubte Operationen, verfügbare Belege und beobachtbare Abschlusskriterien an. Eine Anwendung führt Werkzeuge aus und liefert ihre Ergebnisse; das Modell kann diese Beobachtungen nutzen, um seinen Plan oder seine Erklärung anzupassen. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.\n\nSehr langer Text und Video\n\nDie Erweiterung des Herstellers verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen und sollte deshalb einem tatsächlichen Bedarf an grösserem Kontext folgen. Ordnen Sie eine lange Eingabe nach Dokument, Seite oder Codekennung und lassen Sie Platz für das Ergebnis.\n\nDas unterstützte Videobeispiel verwendet standardmässig zwei Bilder pro Sekunde. Für Material im Stundenbereich empfiehlt der Hersteller ein grösseres Prozessorbudget, das ungefähr 224K Video-Token entspricht, für eine höhere Abtastrate. Dies ist eine konfigurationsabhängige Anleitung, keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelpräzision.\n\nEmpfehlungen zur Generierung und inhaltliche Grenzen\n\nDie Best Practices dieses Checkpoints empfehlen für den Denkmodus temperature 0.6, top_p 0.95, top_k 20 und min_p 0 und für direkte Antworten temperature 0.7, top_p 0.8, top_k 20 und min_p 0. Diese konkreten Empfehlungen unterscheiden sich von manchen kleineren Qwen3.5-Ausgaben. Soweit unterstützt, kann eine Presence Penalty zwischen null und zwei Wiederholungen verringern; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern.\n\nEmpfohlene Generierungsbudgets sind 32,768 Token für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierarbeit. Es sind Empfehlungen, keine unabhängigen harten Ausgabeobergrenzen. Geben Sie das erforderliche Antwortformat an und prüfen Sie Berechnungen, extrahierte Details und vorgeschlagenen Code anhand der Quelle. Die nützliche Ausgabe ist ein konkretes Textartefakt, dessen Belege und Annahmen überprüfbar sind.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 397 Milliarden und 17 Milliarden aktivierten Parametern. Es akzeptiert Text, Bilder und Video und gibt Text für Schlussfolgerungs-, Programmier- und Agentenaufgaben zurück, 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 des Checkpoints 397B-A17B
Qwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Mixture-of-Experts-Modell der Qwen3.5-Familie. Es akzeptiert Text, Bilder und Video und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumentartefakte. Die Familie nutzt frühe Text-Bild-Fusion und Reinforcement Learning mit zunehmend komplexen Aufgaben, um Schlussfolgern, Programmierung, Agenten und visuelles Verständnis zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und ist keine Zusage identischer Zuverlässigkeit für jede Sprache oder jedes Fachgebiet.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus separat als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Erhalten Sie die eigene Identität, den Kontext und die Generierungsanleitung dieses offenen Checkpoints, statt jede verwaltete Funktion oder spätere Qwen-Option zu übernehmen. Die konkrete Ausgabe 397B-A17B bleibt von kleineren dichten und Expertenmodellen derselben Familie getrennt.
Modellübersicht
Das Modell besitzt insgesamt 397 Milliarden Parameter und aktiviert 17 Milliarden. Seine hybride Architektur mit 60 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschliessend eine Expertenschicht mit Gated Attention. Der Hersteller nennt 512 geroutete Experten, von denen zehn zusammen mit einem gemeinsamen Experten ausgewählt werden. Ein Vision-Encoder und Multi-Token Prediction sind Teil des Modells. Gesamtparameter, aktivierte Parameter und der Speicherumfang des vollständigen Checkpoints sind unterschiedliche Begriffe; diese Zahlen belegen keine feste Antwortzeit.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf bis zu 1,010,000. Text, repräsentierte Bilder oder Videos, Gesprächsverlauf, Denkverlauf und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie das tatsächlich konfigurierte Budget für eine Aufgabe, statt anzunehmen, dass das grösste Dokument und die grösste Antwort automatisch zusammen hineinpassen.
Text und visuelle Belege vorbereiten
Liefern Sie für ein technisches Projekt die Spezifikation, relevanten Code und Diagramme und definieren Sie das zu erzeugende Artefakt. Verlangen Sie einen nach betroffenen Komponenten gegliederten Implementierungsvorschlag, der durch die gelieferten Anforderungen gestützt wird. Erhalten Sie bei einem Dokumentvergleich Abschnittskennungen, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Erkenntnistabelle mit Belegen für jede Zeile. Geben Sie für einen mehrsprachigen Bericht die Zielsprache und die unverändert beizubehaltenden Begriffe an.
Erhalten Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitangaben. Vergleichen Sie die zurückgegebenen visuellen Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Passagen und Zeitstempeln. Das Ergebnis bleibt Textanalyse oder Code; die visuelle Eingabe des Modells bedeutet keine Bild-, Video- oder Sprachgenerierung.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmässig aktiviert und geht der endgültigen Antwort voraus. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Die älteren Soft-Prompt-Schalter /think und /nothink werden für Qwen3.5 offiziell nicht unterstützt. Machen Sie das Endartefakt nach dem Denkverlauf leicht auffindbar, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder getrennten Codevorschlag.
Die Modellkarte empfiehlt, in früheren Assistentennachrichten endgültige Antworten ohne Denkinhalt zu behalten. Das unterscheidet sich von Optionen und Standardwerten zur Erhaltung früherer Denkverläufe, die in späteren Veröffentlichungen eingeführt wurden. Folgen Sie der Vorlage dieses konkreten Checkpoints und ordnen Sie Korrekturen oder Werkzeugbeobachtungen der Aufgabe zu, die sie aktualisieren.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Programmieragentenabläufe. Geben Sie erlaubte Operationen, verfügbare Belege und beobachtbare Abschlusskriterien an. Eine Anwendung führt Werkzeuge aus und liefert ihre Ergebnisse; das Modell kann diese Beobachtungen nutzen, um seinen Plan oder seine Erklärung anzupassen. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.
Sehr langer Text und Video
Die Erweiterung des Herstellers verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen und sollte deshalb einem tatsächlichen Bedarf an grösserem Kontext folgen. Ordnen Sie eine lange Eingabe nach Dokument, Seite oder Codekennung und lassen Sie Platz für das Ergebnis.
Das unterstützte Videobeispiel verwendet standardmässig zwei Bilder pro Sekunde. Für Material im Stundenbereich empfiehlt der Hersteller ein grösseres Prozessorbudget, das ungefähr 224K Video-Token entspricht, für eine höhere Abtastrate. Dies ist eine konfigurationsabhängige Anleitung, keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelpräzision.
Empfehlungen zur Generierung und inhaltliche Grenzen
Die Best Practices dieses Checkpoints empfehlen für den Denkmodus temperature 0.6, top_p 0.95, top_k 20 und min_p 0 und für direkte Antworten temperature 0.7, top_p 0.8, top_k 20 und min_p 0. Diese konkreten Empfehlungen unterscheiden sich von manchen kleineren Qwen3.5-Ausgaben. Soweit unterstützt, kann eine Presence Penalty zwischen null und zwei Wiederholungen verringern; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern.
Empfohlene Generierungsbudgets sind 32,768 Token für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierarbeit. Es sind Empfehlungen, keine unabhängigen harten Ausgabeobergrenzen. Geben Sie das erforderliche Antwortformat an und prüfen Sie Berechnungen, extrahierte Details und vorgeschlagenen Code anhand der Quelle. Die nützliche Ausgabe ist ein konkretes Textartefakt, dessen Belege und Annahmen überprüfbar sind.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K Tokens Ausgabe · Ausgabetoken $0.00468 / 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 $0.00078 / 1K Tokens Ausgabe · Ausgabetoken $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 397 Milliarden und 17 Milliarden aktivierten Parametern. Es akzeptiert Text, Bilder und Video und gibt Text für Schlussfolgerungs-, Programmier- und Agentenaufgaben zurück, 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 des Checkpoints 397B-A17B
Qwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Mixture-of-Experts-Modell der Qwen3.5-Familie. Es akzeptiert Text, Bilder und Video und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumentartefakte. Die Familie nutzt frühe Text-Bild-Fusion und Reinforcement Learning mit zunehmend komplexen Aufgaben, um Schlussfolgern, Programmierung, Agenten und visuelles Verständnis zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und ist keine Zusage identischer Zuverlässigkeit für jede Sprache oder jedes Fachgebiet.
Der Hersteller beschreibt das verwaltete Qwen3.5-Plus separat als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Erhalten Sie die eigene Identität, den Kontext und die Generierungsanleitung dieses offenen Checkpoints, statt jede verwaltete Funktion oder spätere Qwen-Option zu übernehmen. Die konkrete Ausgabe 397B-A17B bleibt von kleineren dichten und Expertenmodellen derselben Familie getrennt.
Modellübersicht
Das Modell besitzt insgesamt 397 Milliarden Parameter und aktiviert 17 Milliarden. Seine hybride Architektur mit 60 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschliessend eine Expertenschicht mit Gated Attention. Der Hersteller nennt 512 geroutete Experten, von denen zehn zusammen mit einem gemeinsamen Experten ausgewählt werden. Ein Vision-Encoder und Multi-Token Prediction sind Teil des Modells. Gesamtparameter, aktivierte Parameter und der Speicherumfang des vollständigen Checkpoints sind unterschiedliche Begriffe; diese Zahlen belegen keine feste Antwortzeit.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf bis zu 1,010,000. Text, repräsentierte Bilder oder Videos, Gesprächsverlauf, Denkverlauf und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie das tatsächlich konfigurierte Budget für eine Aufgabe, statt anzunehmen, dass das grösste Dokument und die grösste Antwort automatisch zusammen hineinpassen.
Text und visuelle Belege vorbereiten
Liefern Sie für ein technisches Projekt die Spezifikation, relevanten Code und Diagramme und definieren Sie das zu erzeugende Artefakt. Verlangen Sie einen nach betroffenen Komponenten gegliederten Implementierungsvorschlag, der durch die gelieferten Anforderungen gestützt wird. Erhalten Sie bei einem Dokumentvergleich Abschnittskennungen, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Erkenntnistabelle mit Belegen für jede Zeile. Geben Sie für einen mehrsprachigen Bericht die Zielsprache und die unverändert beizubehaltenden Begriffe an.
Erhalten Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitangaben. Vergleichen Sie die zurückgegebenen visuellen Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Passagen und Zeitstempeln. Das Ergebnis bleibt Textanalyse oder Code; die visuelle Eingabe des Modells bedeutet keine Bild-, Video- oder Sprachgenerierung.
Denkmodus und Gesprächsverlauf
Der Denkmodus ist standardmässig aktiviert und geht der endgültigen Antwort voraus. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Die älteren Soft-Prompt-Schalter /think und /nothink werden für Qwen3.5 offiziell nicht unterstützt. Machen Sie das Endartefakt nach dem Denkverlauf leicht auffindbar, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder getrennten Codevorschlag.
Die Modellkarte empfiehlt, in früheren Assistentennachrichten endgültige Antworten ohne Denkinhalt zu behalten. Das unterscheidet sich von Optionen und Standardwerten zur Erhaltung früherer Denkverläufe, die in späteren Veröffentlichungen eingeführt wurden. Folgen Sie der Vorlage dieses konkreten Checkpoints und ordnen Sie Korrekturen oder Werkzeugbeobachtungen der Aufgabe zu, die sie aktualisieren.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angebundenen Werkzeugen sowie Qwen Code für Programmieragentenabläufe. Geben Sie erlaubte Operationen, verfügbare Belege und beobachtbare Abschlusskriterien an. Eine Anwendung führt Werkzeuge aus und liefert ihre Ergebnisse; das Modell kann diese Beobachtungen nutzen, um seinen Plan oder seine Erklärung anzupassen. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.
Sehr langer Text und Video
Die Erweiterung des Herstellers verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token wird ein Faktor von zwei vorgeschlagen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen und sollte deshalb einem tatsächlichen Bedarf an grösserem Kontext folgen. Ordnen Sie eine lange Eingabe nach Dokument, Seite oder Codekennung und lassen Sie Platz für das Ergebnis.
Das unterstützte Videobeispiel verwendet standardmässig zwei Bilder pro Sekunde. Für Material im Stundenbereich empfiehlt der Hersteller ein grösseres Prozessorbudget, das ungefähr 224K Video-Token entspricht, für eine höhere Abtastrate. Dies ist eine konfigurationsabhängige Anleitung, keine allgemeingültige Garantie für Mediendauer, vollständige Erinnerung oder Zeitstempelpräzision.
Empfehlungen zur Generierung und inhaltliche Grenzen
Die Best Practices dieses Checkpoints empfehlen für den Denkmodus temperature 0.6, top_p 0.95, top_k 20 und min_p 0 und für direkte Antworten temperature 0.7, top_p 0.8, top_k 20 und min_p 0. Diese konkreten Empfehlungen unterscheiden sich von manchen kleineren Qwen3.5-Ausgaben. Soweit unterstützt, kann eine Presence Penalty zwischen null und zwei Wiederholungen verringern; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern.
Empfohlene Generierungsbudgets sind 32,768 Token für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierarbeit. Es sind Empfehlungen, keine unabhängigen harten Ausgabeobergrenzen. Geben Sie das erforderliche Antwortformat an und prüfen Sie Berechnungen, extrahierte Details und vorgeschlagenen Code anhand der Quelle. Die nützliche Ausgabe ist ein konkretes Textartefakt, dessen Belege und Annahmen überprüfbar sind.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K Tokens Ausgabe · Ausgabetoken $0.00468 / 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 $0.00078 / 1K Tokens Ausgabe · Ausgabetoken $0.00468 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.