Qwen3.5: Stärken in der dichten 9B-Ausgabe
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er akzeptiert Text, Bilder und Video und gibt Text zurück. Die Familie verbindet Schlussfolgern, Programmierung, Agenten und visuelles Verständnis durch frühe Fusion von Text- und Bildtraining, Reinforcement Learning mit zunehmend komplexen Aufgaben und Unterstützung für 201 Sprachen und Dialekte. Diese Sprachabdeckung ist eine Familienfähigkeit und keine Garantie gleicher Zuverlässigkeit für jede Sprache oder jedes Thema.
Geben Sie für mehrsprachige Dokumentarbeit die Zielsprache an, erhalten Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellfelder oder Passagen benennt. Liefern Sie für eine visuelle Frage ein gut lesbares Bild und eine präzise Aufgabe. Geben Sie für eine kleine Programmieranfrage Eingabe, gewünschtes Verhalten und relevanten Code an. Das Modell erzeugt bei der Analyse visuellen Materials keine Bilder oder Videos.
Modellübersicht
Dieses konkrete 9B-Modell ist dicht, mit 32 Sprachmodellschichten und einem Vision-Encoder. Seine hybride Architektur wiederholt jeweils drei Gated-DeltaNet-Schichten und anschliessend eine Schicht mit Gated Attention und verwendet dichte Feedforward-Netze. Multi-Token Prediction ist im Training enthalten. Die Familie umfasst auch dünn besetzte Expertenmodelle, deren Angaben zu gesamten und aktivierten Parametern jedoch nicht auf diese dichte Ausgabe übertragen werden dürfen.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Die Konfiguration und numerische Grösse des Modells sollten von seinem Base-Checkpoint, anderen Qwen3.5-Grössen und quantisierten Builds getrennt bleiben. Eine kleinere Parameterzahl identifiziert die Ausgabe; allein belegt sie weder eine allgemeingültige Antwortzeit noch eine Qualitätsrangfolge. Für komplexe Denkaufgaben empfiehlt Qwen nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Token beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Bild- und Videofragen. Geben Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern oder eine Videofrage mit dem relevanten Ereignis und Zeitbereich an. Erhalten Sie Beschriftungen, Einheiten und Bildreihenfolge. Verlangen Sie ein mit der Quelle vergleichbares Ergebnis, etwa eine Tabelle extrahierter Werte oder eine Erklärung, die sichtbare Belege nennt.
Der Denkmodus ist standardmässig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren Soft-Prompt-Schalter /think und /nothink werden dagegen offiziell nicht unterstützt. Verwenden Sie die Vorlage des Herstellers und trennen Sie Denkverlauf und endgültigen Text, wenn die Oberfläche beides bereitstellt. Die Verlaufsempfehlung für Qwen3.5 lautet, endgültige Antworten ohne ihren Denkinhalt zu bewahren; neueres Verhalten zur Erhaltung früherer Denkverläufe darf nicht in diese Veröffentlichung übernommen werden.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent, einschliesslich konfigurierter oder über MCP angebundener Werkzeuge, sowie Qwen Code für Programmieragentenarbeit. Geben Sie die erlaubten Werkzeuge und das beobachtbare Ergebnis an. Ein angebundenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschliessend in seiner Antwort verwenden. Werkzeuge und externe Aktionen gehören zur Anwendung, sodass der Modellname allein weder Zugriff noch Ausführung belegt.
Sehr langer Text
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen und sollte deshalb dem tatsächlichen Bedarf an längerem Kontext folgen. Eingabe, visuelle Repräsentation, Verlauf, Denkverlauf und endgültige Ausgabe teilen sich das Sequenzbudget. Ordnen Sie langes Material nach Dokument- oder Codekennung und lassen Sie Platz für das angeforderte Artefakt.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeines Schlussfolgern verwendet 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. Für Schlussfolgerungsaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und eine Presence Penalty von 2.0. Dies sind aufgabenspezifische Anleitungen und keine beliebig zu mischenden Werte. Höhere Presence Penalties können Sprachen vermischen oder die Qualität leicht mindern.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierfragen. Dies sind Empfehlungen statt unabhängiger harter Ausgabeobergrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und inhaltliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Ablauf standardmässig zwei Bilder pro Sekunde. Seine Anleitung für den Stundenbereich erweitert das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies sind konfigurationsabhängige Beispiele, keine allgemeingültige Garantie für Dauer oder Ereigniszeitangaben. Halten Sie kleine Schrift und wichtige Szenenübergänge lesbar und prüfen Sie extrahierten Text, Berechnungen und erzeugten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Ausgabe liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte und dem steuerbaren Antwortmodus, unter Beibehaltung ihrer genauen dichten Identität.
", "aboutText": "Qwen3.5: Stärken in der dichten 9B-Ausgabe\n\nQwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er akzeptiert Text, Bilder und Video und gibt Text zurück. Die Familie verbindet Schlussfolgern, Programmierung, Agenten und visuelles Verständnis durch frühe Fusion von Text- und Bildtraining, Reinforcement Learning mit zunehmend komplexen Aufgaben und Unterstützung für 201 Sprachen und Dialekte. Diese Sprachabdeckung ist eine Familienfähigkeit und keine Garantie gleicher Zuverlässigkeit für jede Sprache oder jedes Thema.\n\nGeben Sie für mehrsprachige Dokumentarbeit die Zielsprache an, erhalten Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellfelder oder Passagen benennt. Liefern Sie für eine visuelle Frage ein gut lesbares Bild und eine präzise Aufgabe. Geben Sie für eine kleine Programmieranfrage Eingabe, gewünschtes Verhalten und relevanten Code an. Das Modell erzeugt bei der Analyse visuellen Materials keine Bilder oder Videos.\n\nModellübersicht\n\nDieses konkrete 9B-Modell ist dicht, mit 32 Sprachmodellschichten und einem Vision-Encoder. Seine hybride Architektur wiederholt jeweils drei Gated-DeltaNet-Schichten und anschliessend eine Schicht mit Gated Attention und verwendet dichte Feedforward-Netze. Multi-Token Prediction ist im Training enthalten. Die Familie umfasst auch dünn besetzte Expertenmodelle, deren Angaben zu gesamten und aktivierten Parametern jedoch nicht auf diese dichte Ausgabe übertragen werden dürfen.\n\nDer native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Die Konfiguration und numerische Grösse des Modells sollten von seinem Base-Checkpoint, anderen Qwen3.5-Grössen und quantisierten Builds getrennt bleiben. Eine kleinere Parameterzahl identifiziert die Ausgabe; allein belegt sie weder eine allgemeingültige Antwortzeit noch eine Qualitätsrangfolge. Für komplexe Denkaufgaben empfiehlt Qwen nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Token beizubehalten.\n\nEingaben und Antwortmodi\n\nDer Hersteller zeigt reine Textfragen sowie Bild- und Videofragen. Geben Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern oder eine Videofrage mit dem relevanten Ereignis und Zeitbereich an. Erhalten Sie Beschriftungen, Einheiten und Bildreihenfolge. Verlangen Sie ein mit der Quelle vergleichbares Ergebnis, etwa eine Tabelle extrahierter Werte oder eine Erklärung, die sichtbare Belege nennt.\n\nDer Denkmodus ist standardmässig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren Soft-Prompt-Schalter /think und /nothink werden dagegen offiziell nicht unterstützt. Verwenden Sie die Vorlage des Herstellers und trennen Sie Denkverlauf und endgültigen Text, wenn die Oberfläche beides bereitstellt. Die Verlaufsempfehlung für Qwen3.5 lautet, endgültige Antworten ohne ihren Denkinhalt zu bewahren; neueres Verhalten zur Erhaltung früherer Denkverläufe darf nicht in diese Veröffentlichung übernommen werden.\n\nAgenteneinsatz\n\nQwen dokumentiert Tool Calling und empfiehlt Qwen-Agent, einschliesslich konfigurierter oder über MCP angebundener Werkzeuge, sowie Qwen Code für Programmieragentenarbeit. Geben Sie die erlaubten Werkzeuge und das beobachtbare Ergebnis an. Ein angebundenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschliessend in seiner Antwort verwenden. Werkzeuge und externe Aktionen gehören zur Anwendung, sodass der Modellname allein weder Zugriff noch Ausführung belegt.\n\nSehr langer Text\n\nDie dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen und sollte deshalb dem tatsächlichen Bedarf an längerem Kontext folgen. Eingabe, visuelle Repräsentation, Verlauf, Denkverlauf und endgültige Ausgabe teilen sich das Sequenzbudget. Ordnen Sie langes Material nach Dokument- oder Codekennung und lassen Sie Platz für das angeforderte Artefakt.\n\nEmpfehlungen zur Generierung\n\nDie Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeines Schlussfolgern verwendet 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. Für Schlussfolgerungsaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und eine Presence Penalty von 2.0. Dies sind aufgabenspezifische Anleitungen und keine beliebig zu mischenden Werte. Höhere Presence Penalties können Sprachen vermischen oder die Qualität leicht mindern.\n\nQwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierfragen. Dies sind Empfehlungen statt unabhängiger harter Ausgabeobergrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.\n\nVideodetails und inhaltliche Grenzen\n\nDas Videobeispiel des Herstellers verwendet im unterstützten Ablauf standardmässig zwei Bilder pro Sekunde. Seine Anleitung für den Stundenbereich erweitert das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies sind konfigurationsabhängige Beispiele, keine allgemeingültige Garantie für Dauer oder Ereigniszeitangaben. Halten Sie kleine Schrift und wichtige Szenenübergänge lesbar und prüfen Sie extrahierten Text, Berechnungen und erzeugten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Ausgabe liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte und dem steuerbaren Antwortmodus, unter Beibehaltung ihrer genauen dichten Identität.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B ist Qwens dichtes Vision-Language-Modell mit 9 Milliarden Parametern für Text, Bilder und Video mit Textausgabe. Es verbindet Schlussfolgern, Programmierung, Tool Calling und mehrsprachige Arbeit mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Token, der sich per Konfiguration erweitern lässt.
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 9B-Ausgabe
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er akzeptiert Text, Bilder und Video und gibt Text zurück. Die Familie verbindet Schlussfolgern, Programmierung, Agenten und visuelles Verständnis durch frühe Fusion von Text- und Bildtraining, Reinforcement Learning mit zunehmend komplexen Aufgaben und Unterstützung für 201 Sprachen und Dialekte. Diese Sprachabdeckung ist eine Familienfähigkeit und keine Garantie gleicher Zuverlässigkeit für jede Sprache oder jedes Thema.
Geben Sie für mehrsprachige Dokumentarbeit die Zielsprache an, erhalten Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellfelder oder Passagen benennt. Liefern Sie für eine visuelle Frage ein gut lesbares Bild und eine präzise Aufgabe. Geben Sie für eine kleine Programmieranfrage Eingabe, gewünschtes Verhalten und relevanten Code an. Das Modell erzeugt bei der Analyse visuellen Materials keine Bilder oder Videos.
Modellübersicht
Dieses konkrete 9B-Modell ist dicht, mit 32 Sprachmodellschichten und einem Vision-Encoder. Seine hybride Architektur wiederholt jeweils drei Gated-DeltaNet-Schichten und anschliessend eine Schicht mit Gated Attention und verwendet dichte Feedforward-Netze. Multi-Token Prediction ist im Training enthalten. Die Familie umfasst auch dünn besetzte Expertenmodelle, deren Angaben zu gesamten und aktivierten Parametern jedoch nicht auf diese dichte Ausgabe übertragen werden dürfen.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Die Konfiguration und numerische Grösse des Modells sollten von seinem Base-Checkpoint, anderen Qwen3.5-Grössen und quantisierten Builds getrennt bleiben. Eine kleinere Parameterzahl identifiziert die Ausgabe; allein belegt sie weder eine allgemeingültige Antwortzeit noch eine Qualitätsrangfolge. Für komplexe Denkaufgaben empfiehlt Qwen nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Token beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Bild- und Videofragen. Geben Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern oder eine Videofrage mit dem relevanten Ereignis und Zeitbereich an. Erhalten Sie Beschriftungen, Einheiten und Bildreihenfolge. Verlangen Sie ein mit der Quelle vergleichbares Ergebnis, etwa eine Tabelle extrahierter Werte oder eine Erklärung, die sichtbare Belege nennt.
Der Denkmodus ist standardmässig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren Soft-Prompt-Schalter /think und /nothink werden dagegen offiziell nicht unterstützt. Verwenden Sie die Vorlage des Herstellers und trennen Sie Denkverlauf und endgültigen Text, wenn die Oberfläche beides bereitstellt. Die Verlaufsempfehlung für Qwen3.5 lautet, endgültige Antworten ohne ihren Denkinhalt zu bewahren; neueres Verhalten zur Erhaltung früherer Denkverläufe darf nicht in diese Veröffentlichung übernommen werden.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent, einschliesslich konfigurierter oder über MCP angebundener Werkzeuge, sowie Qwen Code für Programmieragentenarbeit. Geben Sie die erlaubten Werkzeuge und das beobachtbare Ergebnis an. Ein angebundenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschliessend in seiner Antwort verwenden. Werkzeuge und externe Aktionen gehören zur Anwendung, sodass der Modellname allein weder Zugriff noch Ausführung belegt.
Sehr langer Text
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen und sollte deshalb dem tatsächlichen Bedarf an längerem Kontext folgen. Eingabe, visuelle Repräsentation, Verlauf, Denkverlauf und endgültige Ausgabe teilen sich das Sequenzbudget. Ordnen Sie langes Material nach Dokument- oder Codekennung und lassen Sie Platz für das angeforderte Artefakt.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeines Schlussfolgern verwendet 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. Für Schlussfolgerungsaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und eine Presence Penalty von 2.0. Dies sind aufgabenspezifische Anleitungen und keine beliebig zu mischenden Werte. Höhere Presence Penalties können Sprachen vermischen oder die Qualität leicht mindern.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierfragen. Dies sind Empfehlungen statt unabhängiger harter Ausgabeobergrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und inhaltliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Ablauf standardmässig zwei Bilder pro Sekunde. Seine Anleitung für den Stundenbereich erweitert das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies sind konfigurationsabhängige Beispiele, keine allgemeingültige Garantie für Dauer oder Ereigniszeitangaben. Halten Sie kleine Schrift und wichtige Szenenübergänge lesbar und prüfen Sie extrahierten Text, Berechnungen und erzeugten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Ausgabe liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte und dem steuerbaren Antwortmodus, unter Beibehaltung ihrer genauen dichten Identität.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-9b | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-9bQwen3.5-9B ist Qwens dichtes Vision-Language-Modell mit 9 Milliarden Parametern für Text, Bilder und Video mit Textausgabe. Es verbindet Schlussfolgern, Programmierung, Tool Calling und mehrsprachige Arbeit mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Token, der sich per Konfiguration erweitern lässt.
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 9B-Ausgabe
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er akzeptiert Text, Bilder und Video und gibt Text zurück. Die Familie verbindet Schlussfolgern, Programmierung, Agenten und visuelles Verständnis durch frühe Fusion von Text- und Bildtraining, Reinforcement Learning mit zunehmend komplexen Aufgaben und Unterstützung für 201 Sprachen und Dialekte. Diese Sprachabdeckung ist eine Familienfähigkeit und keine Garantie gleicher Zuverlässigkeit für jede Sprache oder jedes Thema.
Geben Sie für mehrsprachige Dokumentarbeit die Zielsprache an, erhalten Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellfelder oder Passagen benennt. Liefern Sie für eine visuelle Frage ein gut lesbares Bild und eine präzise Aufgabe. Geben Sie für eine kleine Programmieranfrage Eingabe, gewünschtes Verhalten und relevanten Code an. Das Modell erzeugt bei der Analyse visuellen Materials keine Bilder oder Videos.
Modellübersicht
Dieses konkrete 9B-Modell ist dicht, mit 32 Sprachmodellschichten und einem Vision-Encoder. Seine hybride Architektur wiederholt jeweils drei Gated-DeltaNet-Schichten und anschliessend eine Schicht mit Gated Attention und verwendet dichte Feedforward-Netze. Multi-Token Prediction ist im Training enthalten. Die Familie umfasst auch dünn besetzte Expertenmodelle, deren Angaben zu gesamten und aktivierten Parametern jedoch nicht auf diese dichte Ausgabe übertragen werden dürfen.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Die Konfiguration und numerische Grösse des Modells sollten von seinem Base-Checkpoint, anderen Qwen3.5-Grössen und quantisierten Builds getrennt bleiben. Eine kleinere Parameterzahl identifiziert die Ausgabe; allein belegt sie weder eine allgemeingültige Antwortzeit noch eine Qualitätsrangfolge. Für komplexe Denkaufgaben empfiehlt Qwen nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Token beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Bild- und Videofragen. Geben Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern oder eine Videofrage mit dem relevanten Ereignis und Zeitbereich an. Erhalten Sie Beschriftungen, Einheiten und Bildreihenfolge. Verlangen Sie ein mit der Quelle vergleichbares Ergebnis, etwa eine Tabelle extrahierter Werte oder eine Erklärung, die sichtbare Belege nennt.
Der Denkmodus ist standardmässig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren Soft-Prompt-Schalter /think und /nothink werden dagegen offiziell nicht unterstützt. Verwenden Sie die Vorlage des Herstellers und trennen Sie Denkverlauf und endgültigen Text, wenn die Oberfläche beides bereitstellt. Die Verlaufsempfehlung für Qwen3.5 lautet, endgültige Antworten ohne ihren Denkinhalt zu bewahren; neueres Verhalten zur Erhaltung früherer Denkverläufe darf nicht in diese Veröffentlichung übernommen werden.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent, einschliesslich konfigurierter oder über MCP angebundener Werkzeuge, sowie Qwen Code für Programmieragentenarbeit. Geben Sie die erlaubten Werkzeuge und das beobachtbare Ergebnis an. Ein angebundenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschliessend in seiner Antwort verwenden. Werkzeuge und externe Aktionen gehören zur Anwendung, sodass der Modellname allein weder Zugriff noch Ausführung belegt.
Sehr langer Text
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen und sollte deshalb dem tatsächlichen Bedarf an längerem Kontext folgen. Eingabe, visuelle Repräsentation, Verlauf, Denkverlauf und endgültige Ausgabe teilen sich das Sequenzbudget. Ordnen Sie langes Material nach Dokument- oder Codekennung und lassen Sie Platz für das angeforderte Artefakt.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeines Schlussfolgern verwendet 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. Für Schlussfolgerungsaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und eine Presence Penalty von 2.0. Dies sind aufgabenspezifische Anleitungen und keine beliebig zu mischenden Werte. Höhere Presence Penalties können Sprachen vermischen oder die Qualität leicht mindern.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Anfragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmierfragen. Dies sind Empfehlungen statt unabhängiger harter Ausgabeobergrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und inhaltliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Ablauf standardmässig zwei Bilder pro Sekunde. Seine Anleitung für den Stundenbereich erweitert das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies sind konfigurationsabhängige Beispiele, keine allgemeingültige Garantie für Dauer oder Ereigniszeitangaben. Halten Sie kleine Schrift und wichtige Szenenübergänge lesbar und prüfen Sie extrahierten Text, Berechnungen und erzeugten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Ausgabe liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte und dem steuerbaren Antwortmodus, unter Beibehaltung ihrer genauen dichten Identität.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-9b | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.