Der feste Plus-Snapshot vom 20. April
Qwen3.5 Plus 2026-04-20 ist der Snapshot vom 20. April 2026 aus Qwens nativer Vision-Language-Plus-Familie. Die Veröffentlichungsmitteilung des Herstellers nennt gegenüber dem Snapshot vom 15. Februar eine deutliche Verbesserung der agentengestützten Programmierung, dazu höhere Inferenzeffizienz und erhaltene Wissens-, Schlussfolgerungs- und Langkontextfähigkeiten. Unterscheiden Sie diese datierte Ausgabe von einem veränderlichen Plus-Namen und vom offenen Checkpoint Qwen3.5-397B-A17B.
Die Familie akzeptiert Text mit Bildern oder Video und erzeugt Textergebnisse. Dieser Umfang unterstützt eine Entwicklungsaufgabe anhand eines Screenshots, eine Frage zu einem technischen Diagramm oder eine dokumentbasierte Erklärung. Der Snapshot-Name belegt für sich weder die Parameterzahl des offenen Checkpoints noch aktivierte Experten oder die genaue Architektur; diese Zahlen werden dieser Ausgabe hier deshalb nicht zugeordnet.
Agentengestützte Programmierung
Die wichtigste Änderung der Veröffentlichung ist leistungsfähigere Programmierung in einem Agentenablauf. Liefern Sie Projektanforderungen, relevante Dateien oder Auszüge, bestehendes Verhalten und das bei Abschluss erwartete Artefakt. Fügen Sie für eine Screenshot-zu-Oberfläche-Aufgabe die visuelle Referenz und funktionale Einschränkungen bei und verlangen Sie anschliessend bearbeitbaren Quellcode und eine Erklärung des beabsichtigten Verhaltens. Benennen Sie für eine Repository-Änderung die betroffene Funktion und die Eingabe, die das Problem demonstriert, und verlangen Sie einen Patch und die zu seiner Beurteilung erforderlichen Prüfungen.
Ein mehrstufiger Programmierablauf profitiert von tatsächlichen Rückmeldungen: Prüfergebnisse, beobachtete Fehler und Review-Befunde können dem Modell im Arbeitsverlauf zurückgegeben werden. Die Anwendung steuert die Werkzeuge und führt erlaubte Aktionen aus. Verlangen Sie einen Bericht darüber, was vorgeschlagen wurde, was beobachtet wurde und was ungeklärt bleibt.
Wissen und Schlussfolgern
Laut Hersteller bewahrt der Snapshot starkes Wissen und Schlussfolgern und verbessert zugleich die Agentenarbeit. Trennen Sie bei einer analytischen Aufgabe Quellfakten von Annahmen und geben Sie die gesuchte Schlussfolgerung an. Verlangen Sie stützende Passagen, Werte oder Codekennungen, damit sich das Ergebnis prüfen lässt. Liefern Sie für einen Fachbericht relevantes Material und gewünschte Abschnitte, statt sich darauf zu verlassen, dass das Modell den fehlenden Kontext eines privaten Projekts kennt.
Die Qwen3.5-Plus-Familie ist mit hybridem Denkmodus dokumentiert, der standardmässig aktiviert ist. Ihr Familienablauf kann bei deaktiviertem Denkmodus eine direkte Antwort erzeugen, während Denkverlauf und endgültiger Antwortinhalt getrennt behandelt werden. Die Oberfläche des konkreten April-Snapshots sollte ihre eigenen dokumentierten Optionen verwenden; eine Beschreibung des Familienmodus verspricht nicht, dass jede Anwendung einen bestimmten Parameter anbietet.
Arbeiten mit langem Kontext
Alibabas eigene Tabelle für den Snapshot vom 20. April nennt einen Kontext von 1,000,000 Token, eine maximale Eingabe von 991,808 Token für direkte Antworten oder 983,616 für den Denkmodus und eine maximale Ausgabe von 65,536 in beiden Modi. Übertragen Sie die nativen oder erweiterten Kontextzahlen des offenen Qwen3.5-Checkpoints nicht auf eine harte Grenze für diesen Plus-Snapshot. Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Seitenkennungen, Codepfaden und den für die Aufgabe erforderlichen Definitionen vor.
Eine nützliche Anfrage kann eine Tabelle von Anforderungen und ihrer Implementierung, einen Dokumentvergleich oder einen Bericht verlangen, der für jede Schlussfolgerung Belege benennt. Halten Sie sachfremdes Material aus dem Prompt heraus und lassen Sie Platz für die Antwort. Langkontextfähigkeit hilft, mehr Belege zusammenzuführen; sie garantiert weder vollständige Erinnerung noch ersetzt sie eine klare Frage.
Aufgabenvorbereitung für den Produktionseinsatz
Der Hersteller positioniert diese Ausgabe für komplexe Agenten, Programmierabläufe und durchsatzorientierte Nutzung. Definieren Sie das beobachtbare Aufgabenergebnis: zu erzeugende Dateien, zu implementierendes Verhalten oder zu erklärende Erkenntnisse. Unterscheiden Sie bei angebundenen Werkzeugen deren tatsächlich zurückgelieferte Ergebnisse von Textvorschlägen des Modells. Legen Sie das Endformat so fest, dass sich das Artefakt in einen Prüf- oder Anwendungsablauf übernehmen lässt, und prüfen Sie Syntax und Inhalt getrennt.
Die eigene Snapshot-Tabelle nennt Function Calling, strukturierte Ausgaben, Websuche, Prefix Completion und Kontext-Caching; Batch-Inferenz und Fine-Tuning werden nicht unterstützt. Dies sind Ablaufmerkmale des Herstellers; Grenzen für Mediendateien bleiben eine separate Spezifikation. Eine Anfrage nach JSON-förmigem Text, Codeausführung oder Quellenabruf sollte deshalb ein angeforderter Ablauf bleiben, statt als vorausgesetzte native Garantie zu gelten. Die vom Hersteller beschriebene Verbesserung ist qualitativ; daraus darf keine uneingeschränkte Latenz- oder Durchsatzzusage werden.
Praktische Grenzen
Bewahren Sie die genaue datierte Plus-Ausgabe und das Quellmaterial beim Ergebnis auf, wenn Sie spätere Revisionen vergleichen. Prüfen Sie erzeugten Code, Berechnungen und extrahierte visuelle Details anhand der gelieferten Quelle und benennen Sie offene Belege ausdrücklich. Das nützliche Ergebnis ist ein konkretes Textartefakt mit Bezug auf die Aufgabenanforderungen, wobei die genaue datierte Plus-Identität und die dokumentierten Eingabe-, Ausgabe- und Werkzeuggrenzen des Herstellers ausdrücklich erhalten bleiben.
", "aboutText": "Der feste Plus-Snapshot vom 20. April\n\nQwen3.5 Plus 2026-04-20 ist der Snapshot vom 20. April 2026 aus Qwens nativer Vision-Language-Plus-Familie. Die Veröffentlichungsmitteilung des Herstellers nennt gegenüber dem Snapshot vom 15. Februar eine deutliche Verbesserung der agentengestützten Programmierung, dazu höhere Inferenzeffizienz und erhaltene Wissens-, Schlussfolgerungs- und Langkontextfähigkeiten. Unterscheiden Sie diese datierte Ausgabe von einem veränderlichen Plus-Namen und vom offenen Checkpoint Qwen3.5-397B-A17B.\n\nDie Familie akzeptiert Text mit Bildern oder Video und erzeugt Textergebnisse. Dieser Umfang unterstützt eine Entwicklungsaufgabe anhand eines Screenshots, eine Frage zu einem technischen Diagramm oder eine dokumentbasierte Erklärung. Der Snapshot-Name belegt für sich weder die Parameterzahl des offenen Checkpoints noch aktivierte Experten oder die genaue Architektur; diese Zahlen werden dieser Ausgabe hier deshalb nicht zugeordnet.\n\nAgentengestützte Programmierung\n\nDie wichtigste Änderung der Veröffentlichung ist leistungsfähigere Programmierung in einem Agentenablauf. Liefern Sie Projektanforderungen, relevante Dateien oder Auszüge, bestehendes Verhalten und das bei Abschluss erwartete Artefakt. Fügen Sie für eine Screenshot-zu-Oberfläche-Aufgabe die visuelle Referenz und funktionale Einschränkungen bei und verlangen Sie anschliessend bearbeitbaren Quellcode und eine Erklärung des beabsichtigten Verhaltens. Benennen Sie für eine Repository-Änderung die betroffene Funktion und die Eingabe, die das Problem demonstriert, und verlangen Sie einen Patch und die zu seiner Beurteilung erforderlichen Prüfungen.\n\nEin mehrstufiger Programmierablauf profitiert von tatsächlichen Rückmeldungen: Prüfergebnisse, beobachtete Fehler und Review-Befunde können dem Modell im Arbeitsverlauf zurückgegeben werden. Die Anwendung steuert die Werkzeuge und führt erlaubte Aktionen aus. Verlangen Sie einen Bericht darüber, was vorgeschlagen wurde, was beobachtet wurde und was ungeklärt bleibt.\n\nWissen und Schlussfolgern\n\nLaut Hersteller bewahrt der Snapshot starkes Wissen und Schlussfolgern und verbessert zugleich die Agentenarbeit. Trennen Sie bei einer analytischen Aufgabe Quellfakten von Annahmen und geben Sie die gesuchte Schlussfolgerung an. Verlangen Sie stützende Passagen, Werte oder Codekennungen, damit sich das Ergebnis prüfen lässt. Liefern Sie für einen Fachbericht relevantes Material und gewünschte Abschnitte, statt sich darauf zu verlassen, dass das Modell den fehlenden Kontext eines privaten Projekts kennt.\n\nDie Qwen3.5-Plus-Familie ist mit hybridem Denkmodus dokumentiert, der standardmässig aktiviert ist. Ihr Familienablauf kann bei deaktiviertem Denkmodus eine direkte Antwort erzeugen, während Denkverlauf und endgültiger Antwortinhalt getrennt behandelt werden. Die Oberfläche des konkreten April-Snapshots sollte ihre eigenen dokumentierten Optionen verwenden; eine Beschreibung des Familienmodus verspricht nicht, dass jede Anwendung einen bestimmten Parameter anbietet.\n\nArbeiten mit langem Kontext\n\nAlibabas eigene Tabelle für den Snapshot vom 20. April nennt einen Kontext von 1,000,000 Token, eine maximale Eingabe von 991,808 Token für direkte Antworten oder 983,616 für den Denkmodus und eine maximale Ausgabe von 65,536 in beiden Modi. Übertragen Sie die nativen oder erweiterten Kontextzahlen des offenen Qwen3.5-Checkpoints nicht auf eine harte Grenze für diesen Plus-Snapshot. Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Seitenkennungen, Codepfaden und den für die Aufgabe erforderlichen Definitionen vor.\n\nEine nützliche Anfrage kann eine Tabelle von Anforderungen und ihrer Implementierung, einen Dokumentvergleich oder einen Bericht verlangen, der für jede Schlussfolgerung Belege benennt. Halten Sie sachfremdes Material aus dem Prompt heraus und lassen Sie Platz für die Antwort. Langkontextfähigkeit hilft, mehr Belege zusammenzuführen; sie garantiert weder vollständige Erinnerung noch ersetzt sie eine klare Frage.\n\nAufgabenvorbereitung für den Produktionseinsatz\n\nDer Hersteller positioniert diese Ausgabe für komplexe Agenten, Programmierabläufe und durchsatzorientierte Nutzung. Definieren Sie das beobachtbare Aufgabenergebnis: zu erzeugende Dateien, zu implementierendes Verhalten oder zu erklärende Erkenntnisse. Unterscheiden Sie bei angebundenen Werkzeugen deren tatsächlich zurückgelieferte Ergebnisse von Textvorschlägen des Modells. Legen Sie das Endformat so fest, dass sich das Artefakt in einen Prüf- oder Anwendungsablauf übernehmen lässt, und prüfen Sie Syntax und Inhalt getrennt.\n\nDie eigene Snapshot-Tabelle nennt Function Calling, strukturierte Ausgaben, Websuche, Prefix Completion und Kontext-Caching; Batch-Inferenz und Fine-Tuning werden nicht unterstützt. Dies sind Ablaufmerkmale des Herstellers; Grenzen für Mediendateien bleiben eine separate Spezifikation. Eine Anfrage nach JSON-förmigem Text, Codeausführung oder Quellenabruf sollte deshalb ein angeforderter Ablauf bleiben, statt als vorausgesetzte native Garantie zu gelten. Die vom Hersteller beschriebene Verbesserung ist qualitativ; daraus darf keine uneingeschränkte Latenz- oder Durchsatzzusage werden.\n\nPraktische Grenzen\n\nBewahren Sie die genaue datierte Plus-Ausgabe und das Quellmaterial beim Ergebnis auf, wenn Sie spätere Revisionen vergleichen. Prüfen Sie erzeugten Code, Berechnungen und extrahierte visuelle Details anhand der gelieferten Quelle und benennen Sie offene Belege ausdrücklich. Das nützliche Ergebnis ist ein konkretes Textartefakt mit Bezug auf die Aufgabenanforderungen, wobei die genaue datierte Plus-Identität und die dokumentierten Eingabe-, Ausgabe- und Werkzeuggrenzen des Herstellers ausdrücklich erhalten bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair an asynchronous search race\n\nA search field calls fetchResults(query).then(render) after each keystroke. Results for an older query sometimes arrive after the latest query and overwrite the screen. Propose a focused JavaScript change that renders only the newest request's result. Preserve the existing fetchResults and render interfaces, handle request failures and describe a reversed-response-order test.A code proposal, a brief request-order explanation and a deterministic out-of-order response test.Check an older response cannot overwrite the latest result, including after a failed newer request.qwen/qwen3.5-plus-20260420Qwen3.5 Plus 2026-04-20 ist der feste Snapshot vom 20. April des Vision-Language-Plus-Modells von Qwen. Der Hersteller hebt verbesserte agentengestützte Programmierung hervor; die Fähigkeiten zum Schlussfolgern, zur Wissensnutzung und zur Arbeit mit langen Kontexten bleiben dabei erhalten. Das Modell ist für komplexe Aufgaben gedacht, die gelieferten Text oder visuelles Material mit einem konkreten Ergebnis verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Der feste Plus-Snapshot vom 20. April
Qwen3.5 Plus 2026-04-20 ist der Snapshot vom 20. April 2026 aus Qwens nativer Vision-Language-Plus-Familie. Die Veröffentlichungsmitteilung des Herstellers nennt gegenüber dem Snapshot vom 15. Februar eine deutliche Verbesserung der agentengestützten Programmierung, dazu höhere Inferenzeffizienz und erhaltene Wissens-, Schlussfolgerungs- und Langkontextfähigkeiten. Unterscheiden Sie diese datierte Ausgabe von einem veränderlichen Plus-Namen und vom offenen Checkpoint Qwen3.5-397B-A17B.
Die Familie akzeptiert Text mit Bildern oder Video und erzeugt Textergebnisse. Dieser Umfang unterstützt eine Entwicklungsaufgabe anhand eines Screenshots, eine Frage zu einem technischen Diagramm oder eine dokumentbasierte Erklärung. Der Snapshot-Name belegt für sich weder die Parameterzahl des offenen Checkpoints noch aktivierte Experten oder die genaue Architektur; diese Zahlen werden dieser Ausgabe hier deshalb nicht zugeordnet.
Agentengestützte Programmierung
Die wichtigste Änderung der Veröffentlichung ist leistungsfähigere Programmierung in einem Agentenablauf. Liefern Sie Projektanforderungen, relevante Dateien oder Auszüge, bestehendes Verhalten und das bei Abschluss erwartete Artefakt. Fügen Sie für eine Screenshot-zu-Oberfläche-Aufgabe die visuelle Referenz und funktionale Einschränkungen bei und verlangen Sie anschliessend bearbeitbaren Quellcode und eine Erklärung des beabsichtigten Verhaltens. Benennen Sie für eine Repository-Änderung die betroffene Funktion und die Eingabe, die das Problem demonstriert, und verlangen Sie einen Patch und die zu seiner Beurteilung erforderlichen Prüfungen.
Ein mehrstufiger Programmierablauf profitiert von tatsächlichen Rückmeldungen: Prüfergebnisse, beobachtete Fehler und Review-Befunde können dem Modell im Arbeitsverlauf zurückgegeben werden. Die Anwendung steuert die Werkzeuge und führt erlaubte Aktionen aus. Verlangen Sie einen Bericht darüber, was vorgeschlagen wurde, was beobachtet wurde und was ungeklärt bleibt.
Wissen und Schlussfolgern
Laut Hersteller bewahrt der Snapshot starkes Wissen und Schlussfolgern und verbessert zugleich die Agentenarbeit. Trennen Sie bei einer analytischen Aufgabe Quellfakten von Annahmen und geben Sie die gesuchte Schlussfolgerung an. Verlangen Sie stützende Passagen, Werte oder Codekennungen, damit sich das Ergebnis prüfen lässt. Liefern Sie für einen Fachbericht relevantes Material und gewünschte Abschnitte, statt sich darauf zu verlassen, dass das Modell den fehlenden Kontext eines privaten Projekts kennt.
Die Qwen3.5-Plus-Familie ist mit hybridem Denkmodus dokumentiert, der standardmässig aktiviert ist. Ihr Familienablauf kann bei deaktiviertem Denkmodus eine direkte Antwort erzeugen, während Denkverlauf und endgültiger Antwortinhalt getrennt behandelt werden. Die Oberfläche des konkreten April-Snapshots sollte ihre eigenen dokumentierten Optionen verwenden; eine Beschreibung des Familienmodus verspricht nicht, dass jede Anwendung einen bestimmten Parameter anbietet.
Arbeiten mit langem Kontext
Alibabas eigene Tabelle für den Snapshot vom 20. April nennt einen Kontext von 1,000,000 Token, eine maximale Eingabe von 991,808 Token für direkte Antworten oder 983,616 für den Denkmodus und eine maximale Ausgabe von 65,536 in beiden Modi. Übertragen Sie die nativen oder erweiterten Kontextzahlen des offenen Qwen3.5-Checkpoints nicht auf eine harte Grenze für diesen Plus-Snapshot. Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Seitenkennungen, Codepfaden und den für die Aufgabe erforderlichen Definitionen vor.
Eine nützliche Anfrage kann eine Tabelle von Anforderungen und ihrer Implementierung, einen Dokumentvergleich oder einen Bericht verlangen, der für jede Schlussfolgerung Belege benennt. Halten Sie sachfremdes Material aus dem Prompt heraus und lassen Sie Platz für die Antwort. Langkontextfähigkeit hilft, mehr Belege zusammenzuführen; sie garantiert weder vollständige Erinnerung noch ersetzt sie eine klare Frage.
Aufgabenvorbereitung für den Produktionseinsatz
Der Hersteller positioniert diese Ausgabe für komplexe Agenten, Programmierabläufe und durchsatzorientierte Nutzung. Definieren Sie das beobachtbare Aufgabenergebnis: zu erzeugende Dateien, zu implementierendes Verhalten oder zu erklärende Erkenntnisse. Unterscheiden Sie bei angebundenen Werkzeugen deren tatsächlich zurückgelieferte Ergebnisse von Textvorschlägen des Modells. Legen Sie das Endformat so fest, dass sich das Artefakt in einen Prüf- oder Anwendungsablauf übernehmen lässt, und prüfen Sie Syntax und Inhalt getrennt.
Die eigene Snapshot-Tabelle nennt Function Calling, strukturierte Ausgaben, Websuche, Prefix Completion und Kontext-Caching; Batch-Inferenz und Fine-Tuning werden nicht unterstützt. Dies sind Ablaufmerkmale des Herstellers; Grenzen für Mediendateien bleiben eine separate Spezifikation. Eine Anfrage nach JSON-förmigem Text, Codeausführung oder Quellenabruf sollte deshalb ein angeforderter Ablauf bleiben, statt als vorausgesetzte native Garantie zu gelten. Die vom Hersteller beschriebene Verbesserung ist qualitativ; daraus darf keine uneingeschränkte Latenz- oder Durchsatzzusage werden.
Praktische Grenzen
Bewahren Sie die genaue datierte Plus-Ausgabe und das Quellmaterial beim Ergebnis auf, wenn Sie spätere Revisionen vergleichen. Prüfen Sie erzeugten Code, Berechnungen und extrahierte visuelle Details anhand der gelieferten Quelle und benennen Sie offene Belege ausdrücklich. Das nützliche Ergebnis ist ein konkretes Textartefakt mit Bezug auf die Aufgabenanforderungen, wobei die genaue datierte Plus-Identität und die dokumentierten Eingabe-, Ausgabe- und Werkzeuggrenzen des Herstellers ausdrücklich erhalten bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-plus-20260420 | 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich256'000 | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als256'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00075 / 1K Tokens Ausgabe · Ausgabetoken $0.0045 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben $0.0009375 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-plus-20260420", "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-plus-20260420',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-plus-20260420',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-plus-20260420
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-plus-20260420Qwen3.5 Plus 2026-04-20 ist der feste Snapshot vom 20. April des Vision-Language-Plus-Modells von Qwen. Der Hersteller hebt verbesserte agentengestützte Programmierung hervor; die Fähigkeiten zum Schlussfolgern, zur Wissensnutzung und zur Arbeit mit langen Kontexten bleiben dabei erhalten. Das Modell ist für komplexe Aufgaben gedacht, die gelieferten Text oder visuelles Material mit einem konkreten Ergebnis verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Der feste Plus-Snapshot vom 20. April
Qwen3.5 Plus 2026-04-20 ist der Snapshot vom 20. April 2026 aus Qwens nativer Vision-Language-Plus-Familie. Die Veröffentlichungsmitteilung des Herstellers nennt gegenüber dem Snapshot vom 15. Februar eine deutliche Verbesserung der agentengestützten Programmierung, dazu höhere Inferenzeffizienz und erhaltene Wissens-, Schlussfolgerungs- und Langkontextfähigkeiten. Unterscheiden Sie diese datierte Ausgabe von einem veränderlichen Plus-Namen und vom offenen Checkpoint Qwen3.5-397B-A17B.
Die Familie akzeptiert Text mit Bildern oder Video und erzeugt Textergebnisse. Dieser Umfang unterstützt eine Entwicklungsaufgabe anhand eines Screenshots, eine Frage zu einem technischen Diagramm oder eine dokumentbasierte Erklärung. Der Snapshot-Name belegt für sich weder die Parameterzahl des offenen Checkpoints noch aktivierte Experten oder die genaue Architektur; diese Zahlen werden dieser Ausgabe hier deshalb nicht zugeordnet.
Agentengestützte Programmierung
Die wichtigste Änderung der Veröffentlichung ist leistungsfähigere Programmierung in einem Agentenablauf. Liefern Sie Projektanforderungen, relevante Dateien oder Auszüge, bestehendes Verhalten und das bei Abschluss erwartete Artefakt. Fügen Sie für eine Screenshot-zu-Oberfläche-Aufgabe die visuelle Referenz und funktionale Einschränkungen bei und verlangen Sie anschliessend bearbeitbaren Quellcode und eine Erklärung des beabsichtigten Verhaltens. Benennen Sie für eine Repository-Änderung die betroffene Funktion und die Eingabe, die das Problem demonstriert, und verlangen Sie einen Patch und die zu seiner Beurteilung erforderlichen Prüfungen.
Ein mehrstufiger Programmierablauf profitiert von tatsächlichen Rückmeldungen: Prüfergebnisse, beobachtete Fehler und Review-Befunde können dem Modell im Arbeitsverlauf zurückgegeben werden. Die Anwendung steuert die Werkzeuge und führt erlaubte Aktionen aus. Verlangen Sie einen Bericht darüber, was vorgeschlagen wurde, was beobachtet wurde und was ungeklärt bleibt.
Wissen und Schlussfolgern
Laut Hersteller bewahrt der Snapshot starkes Wissen und Schlussfolgern und verbessert zugleich die Agentenarbeit. Trennen Sie bei einer analytischen Aufgabe Quellfakten von Annahmen und geben Sie die gesuchte Schlussfolgerung an. Verlangen Sie stützende Passagen, Werte oder Codekennungen, damit sich das Ergebnis prüfen lässt. Liefern Sie für einen Fachbericht relevantes Material und gewünschte Abschnitte, statt sich darauf zu verlassen, dass das Modell den fehlenden Kontext eines privaten Projekts kennt.
Die Qwen3.5-Plus-Familie ist mit hybridem Denkmodus dokumentiert, der standardmässig aktiviert ist. Ihr Familienablauf kann bei deaktiviertem Denkmodus eine direkte Antwort erzeugen, während Denkverlauf und endgültiger Antwortinhalt getrennt behandelt werden. Die Oberfläche des konkreten April-Snapshots sollte ihre eigenen dokumentierten Optionen verwenden; eine Beschreibung des Familienmodus verspricht nicht, dass jede Anwendung einen bestimmten Parameter anbietet.
Arbeiten mit langem Kontext
Alibabas eigene Tabelle für den Snapshot vom 20. April nennt einen Kontext von 1,000,000 Token, eine maximale Eingabe von 991,808 Token für direkte Antworten oder 983,616 für den Denkmodus und eine maximale Ausgabe von 65,536 in beiden Modi. Übertragen Sie die nativen oder erweiterten Kontextzahlen des offenen Qwen3.5-Checkpoints nicht auf eine harte Grenze für diesen Plus-Snapshot. Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Seitenkennungen, Codepfaden und den für die Aufgabe erforderlichen Definitionen vor.
Eine nützliche Anfrage kann eine Tabelle von Anforderungen und ihrer Implementierung, einen Dokumentvergleich oder einen Bericht verlangen, der für jede Schlussfolgerung Belege benennt. Halten Sie sachfremdes Material aus dem Prompt heraus und lassen Sie Platz für die Antwort. Langkontextfähigkeit hilft, mehr Belege zusammenzuführen; sie garantiert weder vollständige Erinnerung noch ersetzt sie eine klare Frage.
Aufgabenvorbereitung für den Produktionseinsatz
Der Hersteller positioniert diese Ausgabe für komplexe Agenten, Programmierabläufe und durchsatzorientierte Nutzung. Definieren Sie das beobachtbare Aufgabenergebnis: zu erzeugende Dateien, zu implementierendes Verhalten oder zu erklärende Erkenntnisse. Unterscheiden Sie bei angebundenen Werkzeugen deren tatsächlich zurückgelieferte Ergebnisse von Textvorschlägen des Modells. Legen Sie das Endformat so fest, dass sich das Artefakt in einen Prüf- oder Anwendungsablauf übernehmen lässt, und prüfen Sie Syntax und Inhalt getrennt.
Die eigene Snapshot-Tabelle nennt Function Calling, strukturierte Ausgaben, Websuche, Prefix Completion und Kontext-Caching; Batch-Inferenz und Fine-Tuning werden nicht unterstützt. Dies sind Ablaufmerkmale des Herstellers; Grenzen für Mediendateien bleiben eine separate Spezifikation. Eine Anfrage nach JSON-förmigem Text, Codeausführung oder Quellenabruf sollte deshalb ein angeforderter Ablauf bleiben, statt als vorausgesetzte native Garantie zu gelten. Die vom Hersteller beschriebene Verbesserung ist qualitativ; daraus darf keine uneingeschränkte Latenz- oder Durchsatzzusage werden.
Praktische Grenzen
Bewahren Sie die genaue datierte Plus-Ausgabe und das Quellmaterial beim Ergebnis auf, wenn Sie spätere Revisionen vergleichen. Prüfen Sie erzeugten Code, Berechnungen und extrahierte visuelle Details anhand der gelieferten Quelle und benennen Sie offene Belege ausdrücklich. Das nützliche Ergebnis ist ein konkretes Textartefakt mit Bezug auf die Aufgabenanforderungen, wobei die genaue datierte Plus-Identität und die dokumentierten Eingabe-, Ausgabe- und Werkzeuggrenzen des Herstellers ausdrücklich erhalten bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-plus-20260420 | 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich256'000 | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben $0.00075 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als256'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00075 / 1K Tokens Ausgabe · Ausgabetoken $0.0045 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben $0.0009375 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-plus-20260420",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-plus-20260420', '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-plus-20260420', '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-plus-20260420
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair an asynchronous search race\n\nA search field calls fetchResults(query).then(render) after each keystroke. Results for an older query sometimes arrive after the latest query and overwrite the screen. Propose a focused JavaScript change that renders only the newest request's result. Preserve the existing fetchResults and render interfaces, handle request failures and describe a reversed-response-order test.A code proposal, a brief request-order explanation and a deterministic out-of-order response test.Check an older response cannot overwrite the latest result, including after a failed newer request.