Qwen3.6: Stärken bei Programmierung und Kontinuität des Denkverlaufs
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmierung und Agentenarbeit. Qwen hebt verbesserte Frontend-Abläufe und repositoryweites Schlussfolgern sowie eine neue Option zum Erhalten von Denkverläufen früherer Nachrichten hervor. Es akzeptiert Text, Bilder und Video und gibt Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes Textartefakt. Behalten Sie diese konkrete Ausgabe 35B-A3B bei, statt sie als dichtes Qwen3.6-27B oder als ihr früheres Qwen3.5-Gegenstück zu behandeln.
Liefern Sie für eine Frontend-Aufgabe den relevanten Screenshot, funktionale Anforderungen und bestehenden Codekontext. Verlangen Sie bearbeitbaren Quellcode und eine Beschreibung der vorgesehenen Zustände und Interaktionen. Benennen Sie für eine Repository-Aufgabe die betroffene Funktion, die Eingabe, die ein Problem sichtbar macht, und das erwartete Verhalten. Verlangen Sie einen vorgeschlagenen Patch mit seinen Annahmen und relevanten Prüfungen.
Modellübersicht
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Seine hybride Architektur mit 40 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschliessend eine Expertenschicht mit Gated Attention. Es hat 256 geroutete Experten und wählt acht geroutete Experten mit einem gemeinsamen Experten aus; Multi-Token Prediction ist Teil des Trainings. Die geringere Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Grösse. Ein Vision-Encoder liefert den visuellen Teil des Modells.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Der Hersteller empfiehlt für komplexe Denkaufgaben nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, selbst wenn eine Verringerung den Speicherdruck mindern würde. Quelltext, visuelle Repräsentationen, frühere Nachrichten, Denkverlauf und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Modellkarte zeigt Fragen zu Text, Bildern und Video. Erhalten Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Bewahren Sie bei einem Clip Zeitangaben auf und benennen Sie das gesuchte Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmässig zwei Bilder pro Sekunde und erlaubt die Konfiguration der Abtastung. Die Best-Practice-Anleitung erweitert das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine Analyse im Stundenbereich mit höherer Abtastrate; dies ist ein Konfigurationsbeispiel und keine harte allgemeingültige Grenze der Cliplänge.
Der Denkmodus ist standardmässig aktiviert. Die Herstelleroption enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren Soft-Prompt-Schalter /think und /nothink von Qwen3 offiziell nicht. Trennen Sie bei der Darstellung eines Ergebnisses den Denkverlauf vom Endartefakt und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt anzunehmen, dass Prompt-Marker oder Optionen einer anderen Generation gelten.
Frühere Denkverläufe erhalten
Standardmässig bewahrt die Vorlage Denkblöcke auf, die der jüngsten Nutzernachricht zugeordnet sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Denkverläufe zu nutzen, wenn preserve_thinking aktiviert ist. Sein ausdrückliches Beispiel setzt diese Option auf true. Dies kann einer iterativen Agentenaufgabe helfen, Entscheidungskontext zu bewahren, statt frühere Entscheidungen wiederholt neu herzuleiten; es verändert auch den Umfang des mitgeführten Verlaufs. Ob die Option verfügbar ist, hängt davon ab, ob die Oberfläche die Anleitung des Herstellers anbietet.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent zum Konfigurieren von Werkzeugen, einschliesslich über MCP angebundener Werkzeuge. Qwen Code ist ein weiterer vom Hersteller dokumentierter Ablauf für Programmieragenten. Definieren Sie die erlaubten Werkzeuge, das Aufgabenziel und das erwartete Ergebnis und liefern Sie dem Modell anschliessend tatsächliche Werkzeugbeobachtungen zurück. Das Modell kann über ein Ergebnis nachdenken und einen Plan anpassen; der Zugriff auf Dateien oder Ausführungsumgebungen kommt von der angebundenen Anwendung, nicht vom Modellnamen.
Sehr langer Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token schlägt Qwen einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen. Der Hersteller empfiehlt deshalb, sie bei Bedarf an längerem Kontext zu ändern. Erhalten Sie Abschnitts- und Codekennungen in einer grossen Eingabe und verlangen Sie, dass das Ergebnis zeigt, welche Belege jede Schlussfolgerung stützen.
Empfehlungen zur Generierung und Grenzen
Für allgemeines Schlussfolgern empfiehlt der Hersteller 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. Für präzise Programmierung wird temperature auf 0.6 und die Presence Penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und eine Presence Penalty von 1.5; die übrigen Werte bleiben unverändert. Höhere Presence Penalties können Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht mindern.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Fragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Dies sind Empfehlungen und keine separat festgelegten harten Ausgabeobergrenzen. Geben Sie das Endformat ausdrücklich an und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität des Denkverlaufs und langer Kontext helfen, die Belege einer Aufgabe mitzunehmen; ein überprüfbares Endartefakt macht das Ergebnis nützlich.
", "aboutText": "Qwen3.6: Stärken bei Programmierung und Kontinuität des Denkverlaufs\n\nQwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmierung und Agentenarbeit. Qwen hebt verbesserte Frontend-Abläufe und repositoryweites Schlussfolgern sowie eine neue Option zum Erhalten von Denkverläufen früherer Nachrichten hervor. Es akzeptiert Text, Bilder und Video und gibt Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes Textartefakt. Behalten Sie diese konkrete Ausgabe 35B-A3B bei, statt sie als dichtes Qwen3.6-27B oder als ihr früheres Qwen3.5-Gegenstück zu behandeln.\n\nLiefern Sie für eine Frontend-Aufgabe den relevanten Screenshot, funktionale Anforderungen und bestehenden Codekontext. Verlangen Sie bearbeitbaren Quellcode und eine Beschreibung der vorgesehenen Zustände und Interaktionen. Benennen Sie für eine Repository-Aufgabe die betroffene Funktion, die Eingabe, die ein Problem sichtbar macht, und das erwartete Verhalten. Verlangen Sie einen vorgeschlagenen Patch mit seinen Annahmen und relevanten Prüfungen.\n\nModellübersicht\n\nDas Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Seine hybride Architektur mit 40 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschliessend eine Expertenschicht mit Gated Attention. Es hat 256 geroutete Experten und wählt acht geroutete Experten mit einem gemeinsamen Experten aus; Multi-Token Prediction ist Teil des Trainings. Die geringere Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Grösse. Ein Vision-Encoder liefert den visuellen Teil des Modells.\n\nDer native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Der Hersteller empfiehlt für komplexe Denkaufgaben nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, selbst wenn eine Verringerung den Speicherdruck mindern würde. Quelltext, visuelle Repräsentationen, frühere Nachrichten, Denkverlauf und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.\n\nEingaben und Antwortmodi verwenden\n\nDie Modellkarte zeigt Fragen zu Text, Bildern und Video. Erhalten Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Bewahren Sie bei einem Clip Zeitangaben auf und benennen Sie das gesuchte Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmässig zwei Bilder pro Sekunde und erlaubt die Konfiguration der Abtastung. Die Best-Practice-Anleitung erweitert das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine Analyse im Stundenbereich mit höherer Abtastrate; dies ist ein Konfigurationsbeispiel und keine harte allgemeingültige Grenze der Cliplänge.\n\nDer Denkmodus ist standardmässig aktiviert. Die Herstelleroption enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren Soft-Prompt-Schalter /think und /nothink von Qwen3 offiziell nicht. Trennen Sie bei der Darstellung eines Ergebnisses den Denkverlauf vom Endartefakt und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt anzunehmen, dass Prompt-Marker oder Optionen einer anderen Generation gelten.\n\nFrühere Denkverläufe erhalten\n\nStandardmässig bewahrt die Vorlage Denkblöcke auf, die der jüngsten Nutzernachricht zugeordnet sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Denkverläufe zu nutzen, wenn preserve_thinking aktiviert ist. Sein ausdrückliches Beispiel setzt diese Option auf true. Dies kann einer iterativen Agentenaufgabe helfen, Entscheidungskontext zu bewahren, statt frühere Entscheidungen wiederholt neu herzuleiten; es verändert auch den Umfang des mitgeführten Verlaufs. Ob die Option verfügbar ist, hängt davon ab, ob die Oberfläche die Anleitung des Herstellers anbietet.\n\nAgenteneinsatz\n\nQwen dokumentiert Tool Calling und empfiehlt Qwen-Agent zum Konfigurieren von Werkzeugen, einschliesslich über MCP angebundener Werkzeuge. Qwen Code ist ein weiterer vom Hersteller dokumentierter Ablauf für Programmieragenten. Definieren Sie die erlaubten Werkzeuge, das Aufgabenziel und das erwartete Ergebnis und liefern Sie dem Modell anschliessend tatsächliche Werkzeugbeobachtungen zurück. Das Modell kann über ein Ergebnis nachdenken und einen Plan anpassen; der Zugriff auf Dateien oder Ausführungsumgebungen kommt von der angebundenen Anwendung, nicht vom Modellnamen.\n\nSehr langer Text\n\nDie dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token schlägt Qwen einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen. Der Hersteller empfiehlt deshalb, sie bei Bedarf an längerem Kontext zu ändern. Erhalten Sie Abschnitts- und Codekennungen in einer grossen Eingabe und verlangen Sie, dass das Ergebnis zeigt, welche Belege jede Schlussfolgerung stützen.\n\nEmpfehlungen zur Generierung und Grenzen\n\nFür allgemeines Schlussfolgern empfiehlt der Hersteller 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. Für präzise Programmierung wird temperature auf 0.6 und die Presence Penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und eine Presence Penalty von 1.5; die übrigen Werte bleiben unverändert. Höhere Presence Penalties können Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht mindern.\n\nQwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Fragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Dies sind Empfehlungen und keine separat festgelegten harten Ausgabeobergrenzen. Geben Sie das Endformat ausdrücklich an und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität des Denkverlaufs und langer Kontext helfen, die Belege einer Aufgabe mitzunehmen; ein überprüfbares Endartefakt macht das Ergebnis nützlich.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es konzentriert sich auf Frontend- und repositoryweite Programmierung, ergänzt eine optionale Erhaltung früherer Denkverläufe und akzeptiert Text, Bilder und Video mit Textausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.6: Stärken bei Programmierung und Kontinuität des Denkverlaufs
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmierung und Agentenarbeit. Qwen hebt verbesserte Frontend-Abläufe und repositoryweites Schlussfolgern sowie eine neue Option zum Erhalten von Denkverläufen früherer Nachrichten hervor. Es akzeptiert Text, Bilder und Video und gibt Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes Textartefakt. Behalten Sie diese konkrete Ausgabe 35B-A3B bei, statt sie als dichtes Qwen3.6-27B oder als ihr früheres Qwen3.5-Gegenstück zu behandeln.
Liefern Sie für eine Frontend-Aufgabe den relevanten Screenshot, funktionale Anforderungen und bestehenden Codekontext. Verlangen Sie bearbeitbaren Quellcode und eine Beschreibung der vorgesehenen Zustände und Interaktionen. Benennen Sie für eine Repository-Aufgabe die betroffene Funktion, die Eingabe, die ein Problem sichtbar macht, und das erwartete Verhalten. Verlangen Sie einen vorgeschlagenen Patch mit seinen Annahmen und relevanten Prüfungen.
Modellübersicht
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Seine hybride Architektur mit 40 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschliessend eine Expertenschicht mit Gated Attention. Es hat 256 geroutete Experten und wählt acht geroutete Experten mit einem gemeinsamen Experten aus; Multi-Token Prediction ist Teil des Trainings. Die geringere Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Grösse. Ein Vision-Encoder liefert den visuellen Teil des Modells.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Der Hersteller empfiehlt für komplexe Denkaufgaben nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, selbst wenn eine Verringerung den Speicherdruck mindern würde. Quelltext, visuelle Repräsentationen, frühere Nachrichten, Denkverlauf und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Modellkarte zeigt Fragen zu Text, Bildern und Video. Erhalten Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Bewahren Sie bei einem Clip Zeitangaben auf und benennen Sie das gesuchte Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmässig zwei Bilder pro Sekunde und erlaubt die Konfiguration der Abtastung. Die Best-Practice-Anleitung erweitert das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine Analyse im Stundenbereich mit höherer Abtastrate; dies ist ein Konfigurationsbeispiel und keine harte allgemeingültige Grenze der Cliplänge.
Der Denkmodus ist standardmässig aktiviert. Die Herstelleroption enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren Soft-Prompt-Schalter /think und /nothink von Qwen3 offiziell nicht. Trennen Sie bei der Darstellung eines Ergebnisses den Denkverlauf vom Endartefakt und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt anzunehmen, dass Prompt-Marker oder Optionen einer anderen Generation gelten.
Frühere Denkverläufe erhalten
Standardmässig bewahrt die Vorlage Denkblöcke auf, die der jüngsten Nutzernachricht zugeordnet sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Denkverläufe zu nutzen, wenn preserve_thinking aktiviert ist. Sein ausdrückliches Beispiel setzt diese Option auf true. Dies kann einer iterativen Agentenaufgabe helfen, Entscheidungskontext zu bewahren, statt frühere Entscheidungen wiederholt neu herzuleiten; es verändert auch den Umfang des mitgeführten Verlaufs. Ob die Option verfügbar ist, hängt davon ab, ob die Oberfläche die Anleitung des Herstellers anbietet.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent zum Konfigurieren von Werkzeugen, einschliesslich über MCP angebundener Werkzeuge. Qwen Code ist ein weiterer vom Hersteller dokumentierter Ablauf für Programmieragenten. Definieren Sie die erlaubten Werkzeuge, das Aufgabenziel und das erwartete Ergebnis und liefern Sie dem Modell anschliessend tatsächliche Werkzeugbeobachtungen zurück. Das Modell kann über ein Ergebnis nachdenken und einen Plan anpassen; der Zugriff auf Dateien oder Ausführungsumgebungen kommt von der angebundenen Anwendung, nicht vom Modellnamen.
Sehr langer Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token schlägt Qwen einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen. Der Hersteller empfiehlt deshalb, sie bei Bedarf an längerem Kontext zu ändern. Erhalten Sie Abschnitts- und Codekennungen in einer grossen Eingabe und verlangen Sie, dass das Ergebnis zeigt, welche Belege jede Schlussfolgerung stützen.
Empfehlungen zur Generierung und Grenzen
Für allgemeines Schlussfolgern empfiehlt der Hersteller 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. Für präzise Programmierung wird temperature auf 0.6 und die Presence Penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und eine Presence Penalty von 1.5; die übrigen Werte bleiben unverändert. Höhere Presence Penalties können Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht mindern.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Fragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Dies sind Empfehlungen und keine separat festgelegten harten Ausgabeobergrenzen. Geben Sie das Endformat ausdrücklich an und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität des Denkverlaufs und langer Kontext helfen, die Belege einer Aufgabe mitzunehmen; ein überprüfbares Endartefakt macht das Ergebnis nützlich.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.6-35b-a3b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000566 / 1K Tokens Ausgabe · Ausgabetoken $0.00341 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000566 / 1K Tokens Ausgabe · Ausgabetoken $0.00341 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B ist Qwens Vision-Language-Mixture-of-Experts-Modell mit insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es konzentriert sich auf Frontend- und repositoryweite Programmierung, ergänzt eine optionale Erhaltung früherer Denkverläufe und akzeptiert Text, Bilder und Video mit Textausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.6: Stärken bei Programmierung und Kontinuität des Denkverlaufs
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmierung und Agentenarbeit. Qwen hebt verbesserte Frontend-Abläufe und repositoryweites Schlussfolgern sowie eine neue Option zum Erhalten von Denkverläufen früherer Nachrichten hervor. Es akzeptiert Text, Bilder und Video und gibt Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes Textartefakt. Behalten Sie diese konkrete Ausgabe 35B-A3B bei, statt sie als dichtes Qwen3.6-27B oder als ihr früheres Qwen3.5-Gegenstück zu behandeln.
Liefern Sie für eine Frontend-Aufgabe den relevanten Screenshot, funktionale Anforderungen und bestehenden Codekontext. Verlangen Sie bearbeitbaren Quellcode und eine Beschreibung der vorgesehenen Zustände und Interaktionen. Benennen Sie für eine Repository-Aufgabe die betroffene Funktion, die Eingabe, die ein Problem sichtbar macht, und das erwartete Verhalten. Verlangen Sie einen vorgeschlagenen Patch mit seinen Annahmen und relevanten Prüfungen.
Modellübersicht
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert drei Milliarden. Seine hybride Architektur mit 40 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschliessend eine Expertenschicht mit Gated Attention. Es hat 256 geroutete Experten und wählt acht geroutete Experten mit einem gemeinsamen Experten aus; Multi-Token Prediction ist Teil des Trainings. Die geringere Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Grösse. Ein Vision-Encoder liefert den visuellen Teil des Modells.
Der native Kontext beträgt 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Der Hersteller empfiehlt für komplexe Denkaufgaben nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, selbst wenn eine Verringerung den Speicherdruck mindern würde. Quelltext, visuelle Repräsentationen, frühere Nachrichten, Denkverlauf und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Modellkarte zeigt Fragen zu Text, Bildern und Video. Erhalten Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Bewahren Sie bei einem Clip Zeitangaben auf und benennen Sie das gesuchte Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmässig zwei Bilder pro Sekunde und erlaubt die Konfiguration der Abtastung. Die Best-Practice-Anleitung erweitert das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine Analyse im Stundenbereich mit höherer Abtastrate; dies ist ein Konfigurationsbeispiel und keine harte allgemeingültige Grenze der Cliplänge.
Der Denkmodus ist standardmässig aktiviert. Die Herstelleroption enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren Soft-Prompt-Schalter /think und /nothink von Qwen3 offiziell nicht. Trennen Sie bei der Darstellung eines Ergebnisses den Denkverlauf vom Endartefakt und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt anzunehmen, dass Prompt-Marker oder Optionen einer anderen Generation gelten.
Frühere Denkverläufe erhalten
Standardmässig bewahrt die Vorlage Denkblöcke auf, die der jüngsten Nutzernachricht zugeordnet sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Denkverläufe zu nutzen, wenn preserve_thinking aktiviert ist. Sein ausdrückliches Beispiel setzt diese Option auf true. Dies kann einer iterativen Agentenaufgabe helfen, Entscheidungskontext zu bewahren, statt frühere Entscheidungen wiederholt neu herzuleiten; es verändert auch den Umfang des mitgeführten Verlaufs. Ob die Option verfügbar ist, hängt davon ab, ob die Oberfläche die Anleitung des Herstellers anbietet.
Agenteneinsatz
Qwen dokumentiert Tool Calling und empfiehlt Qwen-Agent zum Konfigurieren von Werkzeugen, einschliesslich über MCP angebundener Werkzeuge. Qwen Code ist ein weiterer vom Hersteller dokumentierter Ablauf für Programmieragenten. Definieren Sie die erlaubten Werkzeuge, das Aufgabenziel und das erwartete Ergebnis und liefern Sie dem Modell anschliessend tatsächliche Werkzeugbeobachtungen zurück. Das Modell kann über ein Ergebnis nachdenken und einen Plan anpassen; der Zugriff auf Dateien oder Ausführungsumgebungen kommt von der angebundenen Anwendung, nicht vom Modellnamen.
Sehr langer Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token schlägt Qwen einen Faktor von zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinträchtigen. Der Hersteller empfiehlt deshalb, sie bei Bedarf an längerem Kontext zu ändern. Erhalten Sie Abschnitts- und Codekennungen in einer grossen Eingabe und verlangen Sie, dass das Ergebnis zeigt, welche Belege jede Schlussfolgerung stützen.
Empfehlungen zur Generierung und Grenzen
Für allgemeines Schlussfolgern empfiehlt der Hersteller 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. Für präzise Programmierung wird temperature auf 0.6 und die Presence Penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und eine Presence Penalty von 1.5; die übrigen Werte bleiben unverändert. Höhere Presence Penalties können Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht mindern.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Fragen und 81,920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Dies sind Empfehlungen und keine separat festgelegten harten Ausgabeobergrenzen. Geben Sie das Endformat ausdrücklich an und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität des Denkverlaufs und langer Kontext helfen, die Belege einer Aufgabe mitzunehmen; ein überprüfbares Endartefakt macht das Ergebnis nützlich.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.6-35b-a3b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000566 / 1K Tokens Ausgabe · Ausgabetoken $0.00341 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000566 / 1K Tokens Ausgabe · Ausgabetoken $0.00341 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.