Die Stärken von Qwen3.5: ein spärlich aktivierter Vision-Language-Checkpoint
Qwen3.5-35B-A3B ist ein nachtrainiertes Vision-Language-Modell, das das Verstehen von Text, Bildern und Video mit textlichen Antworten verbindet. Die Familie wird mit früher Fusion von Text und visuellen Informationen sowie Reinforcement Learning mit zunehmend komplexen Aufgaben trainiert und unterstützt Schlussfolgern, Programmierung, Agenten und visuelle Analyse. Sie beschreibt außerdem eine Abdeckung von 201 Sprachen und Dialekten. Diese Abdeckung ist eine Familienfähigkeit und kein Versprechen gleicher Qualität für jede Sprache oder Aufgabe.
Der genaue offene Checkpoint ist von Qwen3.5-35B-A3B-Base und der späteren Qwen3.6-Veröffentlichung getrennt. Der Hersteller beschreibt auch ein verwaltetes Flash-Angebot mit zusätzlichen Funktionen; diese Schnittstellenfunktionen sollten diesem offenen Checkpoint nicht automatisch zugewiesen werden. Bewahren Sie die angeforderte Identität 35B-A3B beim Vergleich von Ergebnissen oder beim Festhalten einer reproduzierbaren Modellauswahl.
Modellübersicht
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert davon drei Milliarden. Seine hybride Architektur mit 40 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschließend eine Expertenschicht mit Gated Attention. Es besitzt 256 geroutete Experten; in der dokumentierten Architektur sind acht geroutete Experten und ein geteilter Experte aktiv. Ein Vision-Encoder und Multi-Token Prediction gehören zum Modell. Die Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Größe, und die Architektur allein garantiert keine Latenz in einer bestimmten Anwendung.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Qwen empfiehlt für komplexe Aufgaben im Denkmodus nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn ein kleineres Fenster den Speicherdruck reduzieren würde. Text, visuelle Repräsentationen, Verlauf, Denkprozess und endgültige Antwort benötigen allesamt Platz in der konfigurierten Sequenz.
Eingaben und Antwortmodi verwenden
Stellen Sie für eine Programmieranfrage auf Grundlage eines Screenshots die visuelle Referenz, den bestehenden Quellkontext, die Interaktionsanforderungen und das erwartete editierbare Arbeitsergebnis bereit. Bewahren Sie bei einem Diagramm oder Dokument Beschriftungen und Einheiten und verlangen Sie eine Wertetabelle mit unterstützenden Belegen. Geben Sie für eine mehrsprachige Erklärung die Zielsprache und die beizubehaltenden Begriffe an.
Der Denkmodus ist standardmäßig aktiviert und erzeugt vor der endgültigen Antwort einen Denkblock. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die alten weichen Prompt-Umschalter /think und /nothink nicht offiziell. Seine Empfehlung zum Gesprächsverlauf lautet, endgültige Antworten ohne Denkinhalt beizubehalten. Dies sollte von den späteren Beibehaltungsoptionen von Qwen3.6 oder der standardmäßigen Beibehaltung früherer Schlussfolgerungen von Qwen3.8 getrennt bleiben.
Nutzung als Agent
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für repositoryorientierte Arbeit. Definieren Sie erlaubte Operationen, relevante Belege und das fertige Arbeitsergebnis. Die Anwendung führt Werkzeuge aus und stellt ihre Beobachtungen bereit; das Modell kann diese Rückmeldungen nutzen, um seine Analyse zu überarbeiten. Ein geplanter Befehl oder erzeugter Patch ist keine ausgeführte Aktion, und der Modellname allein belegt keinen Zugriff auf aktuelle Informationen oder Dateien.
Sehr langer Kontext
Die Erweiterungsanleitung des Herstellers verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Aufgaben mit 524,288 Token wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten verringern und sollte daher konfiguriert werden, wenn der größere Kontext benötigt wird. Ordnen Sie langes Material mit Dokumentgrenzen, Codekennungen und einer klaren Frage, statt das Fenster mit nicht zugehörigen Belegen zu füllen.
Empfehlungen zur Generierung
In den Best Practices verwenden allgemeine Aufgaben im Denkmodus temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 und repetition penalty 1.0. Präzise Programmierung verwendet temperature 0.6 und presence penalty null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und presence penalty 1.5; top_k beträgt 20, min_p beträgt 0 und repetition penalty beträgt 1.0. Für Schlussfolgern im direkten Modus nennen die Best Practices temperature 1.0, top_p 1.0, top_k 40 und presence penalty 2.0. Halten Sie diese aufgabenspezifischen Voreinstellungen getrennt; höhere presence penalties können Sprachmischung oder eine leichte Qualitätsminderung verursachen.
Die empfohlenen Generierungsbudgets betragen 32,768 Token für die meisten Fragen und 81,920 für außergewöhnlich komplexe Mathematik oder Programmierung. Dies sind keine separat festgelegten harten Ausgabegrenzen. Definieren Sie die Form der endgültigen Antwort ausdrücklich und prüfen Sie Berechnungen oder erzeugten Code anhand der bereitgestellten Bedingungen.
Video und wesentliche Grenzen
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Die Hinweise des Herstellers zu stundenlangen Videos erweitern das Prozessorbudget auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies erfordert Konfiguration und beansprucht neben Aufgabe und Antwort Kontextplatz; es ist keine bedingungslose Garantie für Dauer oder perfekte Erinnerung an Ereignisse. Bewahren Sie relevante Szenenübergänge und kleine Schrift und fordern Sie ein Ergebnis mit Bezug zu den sichtbaren Belegen an. Der praktische Wert liegt im gemeinsamen Text- und visuellen Einsatzbereich des Checkpoints und seinem wählbaren Antwortmodus, mit einem konkreten Arbeitsergebnis, das sich prüfen lässt.
", "aboutText": "Die Stärken von Qwen3.5: ein spärlich aktivierter Vision-Language-Checkpoint\n\nQwen3.5-35B-A3B ist ein nachtrainiertes Vision-Language-Modell, das das Verstehen von Text, Bildern und Video mit textlichen Antworten verbindet. Die Familie wird mit früher Fusion von Text und visuellen Informationen sowie Reinforcement Learning mit zunehmend komplexen Aufgaben trainiert und unterstützt Schlussfolgern, Programmierung, Agenten und visuelle Analyse. Sie beschreibt außerdem eine Abdeckung von 201 Sprachen und Dialekten. Diese Abdeckung ist eine Familienfähigkeit und kein Versprechen gleicher Qualität für jede Sprache oder Aufgabe.\n\nDer genaue offene Checkpoint ist von Qwen3.5-35B-A3B-Base und der späteren Qwen3.6-Veröffentlichung getrennt. Der Hersteller beschreibt auch ein verwaltetes Flash-Angebot mit zusätzlichen Funktionen; diese Schnittstellenfunktionen sollten diesem offenen Checkpoint nicht automatisch zugewiesen werden. Bewahren Sie die angeforderte Identität 35B-A3B beim Vergleich von Ergebnissen oder beim Festhalten einer reproduzierbaren Modellauswahl.\n\nModellübersicht\n\nDas Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert davon drei Milliarden. Seine hybride Architektur mit 40 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschließend eine Expertenschicht mit Gated Attention. Es besitzt 256 geroutete Experten; in der dokumentierten Architektur sind acht geroutete Experten und ein geteilter Experte aktiv. Ein Vision-Encoder und Multi-Token Prediction gehören zum Modell. Die Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Größe, und die Architektur allein garantiert keine Latenz in einer bestimmten Anwendung.\n\nDer native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Qwen empfiehlt für komplexe Aufgaben im Denkmodus nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn ein kleineres Fenster den Speicherdruck reduzieren würde. Text, visuelle Repräsentationen, Verlauf, Denkprozess und endgültige Antwort benötigen allesamt Platz in der konfigurierten Sequenz.\n\nEingaben und Antwortmodi verwenden\n\nStellen Sie für eine Programmieranfrage auf Grundlage eines Screenshots die visuelle Referenz, den bestehenden Quellkontext, die Interaktionsanforderungen und das erwartete editierbare Arbeitsergebnis bereit. Bewahren Sie bei einem Diagramm oder Dokument Beschriftungen und Einheiten und verlangen Sie eine Wertetabelle mit unterstützenden Belegen. Geben Sie für eine mehrsprachige Erklärung die Zielsprache und die beizubehaltenden Begriffe an.\n\nDer Denkmodus ist standardmäßig aktiviert und erzeugt vor der endgültigen Antwort einen Denkblock. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die alten weichen Prompt-Umschalter /think und /nothink nicht offiziell. Seine Empfehlung zum Gesprächsverlauf lautet, endgültige Antworten ohne Denkinhalt beizubehalten. Dies sollte von den späteren Beibehaltungsoptionen von Qwen3.6 oder der standardmäßigen Beibehaltung früherer Schlussfolgerungen von Qwen3.8 getrennt bleiben.\n\nNutzung als Agent\n\nDer Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für repositoryorientierte Arbeit. Definieren Sie erlaubte Operationen, relevante Belege und das fertige Arbeitsergebnis. Die Anwendung führt Werkzeuge aus und stellt ihre Beobachtungen bereit; das Modell kann diese Rückmeldungen nutzen, um seine Analyse zu überarbeiten. Ein geplanter Befehl oder erzeugter Patch ist keine ausgeführte Aktion, und der Modellname allein belegt keinen Zugriff auf aktuelle Informationen oder Dateien.\n\nSehr langer Kontext\n\nDie Erweiterungsanleitung des Herstellers verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Aufgaben mit 524,288 Token wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten verringern und sollte daher konfiguriert werden, wenn der größere Kontext benötigt wird. Ordnen Sie langes Material mit Dokumentgrenzen, Codekennungen und einer klaren Frage, statt das Fenster mit nicht zugehörigen Belegen zu füllen.\n\nEmpfehlungen zur Generierung\n\nIn den Best Practices verwenden allgemeine Aufgaben im Denkmodus temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 und repetition penalty 1.0. Präzise Programmierung verwendet temperature 0.6 und presence penalty null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und presence penalty 1.5; top_k beträgt 20, min_p beträgt 0 und repetition penalty beträgt 1.0. Für Schlussfolgern im direkten Modus nennen die Best Practices temperature 1.0, top_p 1.0, top_k 40 und presence penalty 2.0. Halten Sie diese aufgabenspezifischen Voreinstellungen getrennt; höhere presence penalties können Sprachmischung oder eine leichte Qualitätsminderung verursachen.\n\nDie empfohlenen Generierungsbudgets betragen 32,768 Token für die meisten Fragen und 81,920 für außergewöhnlich komplexe Mathematik oder Programmierung. Dies sind keine separat festgelegten harten Ausgabegrenzen. Definieren Sie die Form der endgültigen Antwort ausdrücklich und prüfen Sie Berechnungen oder erzeugten Code anhand der bereitgestellten Bedingungen.\n\nVideo und wesentliche Grenzen\n\nDas unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Die Hinweise des Herstellers zu stundenlangen Videos erweitern das Prozessorbudget auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies erfordert Konfiguration und beansprucht neben Aufgabe und Antwort Kontextplatz; es ist keine bedingungslose Garantie für Dauer oder perfekte Erinnerung an Ereignisse. Bewahren Sie relevante Szenenübergänge und kleine Schrift und fordern Sie ein Ergebnis mit Bezug zu den sichtbaren Belegen an. Der praktische Wert liegt im gemeinsamen Text- und visuellen Einsatzbereich des Checkpoints und seinem wählbaren Antwortmodus, mit einem konkreten Arbeitsergebnis, das sich prüfen lässt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B ist Qwens Vision-Language-Modell mit Mixture-of-Experts-Architektur, insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es verarbeitet Text, Bilder und Video für Schlussfolgern, Programmierung und werkzeuggestützte Arbeit, mit Denk- und Direktantwortmodi und einem nativen Kontext von 262,144 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Stärken von Qwen3.5: ein spärlich aktivierter Vision-Language-Checkpoint
Qwen3.5-35B-A3B ist ein nachtrainiertes Vision-Language-Modell, das das Verstehen von Text, Bildern und Video mit textlichen Antworten verbindet. Die Familie wird mit früher Fusion von Text und visuellen Informationen sowie Reinforcement Learning mit zunehmend komplexen Aufgaben trainiert und unterstützt Schlussfolgern, Programmierung, Agenten und visuelle Analyse. Sie beschreibt außerdem eine Abdeckung von 201 Sprachen und Dialekten. Diese Abdeckung ist eine Familienfähigkeit und kein Versprechen gleicher Qualität für jede Sprache oder Aufgabe.
Der genaue offene Checkpoint ist von Qwen3.5-35B-A3B-Base und der späteren Qwen3.6-Veröffentlichung getrennt. Der Hersteller beschreibt auch ein verwaltetes Flash-Angebot mit zusätzlichen Funktionen; diese Schnittstellenfunktionen sollten diesem offenen Checkpoint nicht automatisch zugewiesen werden. Bewahren Sie die angeforderte Identität 35B-A3B beim Vergleich von Ergebnissen oder beim Festhalten einer reproduzierbaren Modellauswahl.
Modellübersicht
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert davon drei Milliarden. Seine hybride Architektur mit 40 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschließend eine Expertenschicht mit Gated Attention. Es besitzt 256 geroutete Experten; in der dokumentierten Architektur sind acht geroutete Experten und ein geteilter Experte aktiv. Ein Vision-Encoder und Multi-Token Prediction gehören zum Modell. Die Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Größe, und die Architektur allein garantiert keine Latenz in einer bestimmten Anwendung.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Qwen empfiehlt für komplexe Aufgaben im Denkmodus nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn ein kleineres Fenster den Speicherdruck reduzieren würde. Text, visuelle Repräsentationen, Verlauf, Denkprozess und endgültige Antwort benötigen allesamt Platz in der konfigurierten Sequenz.
Eingaben und Antwortmodi verwenden
Stellen Sie für eine Programmieranfrage auf Grundlage eines Screenshots die visuelle Referenz, den bestehenden Quellkontext, die Interaktionsanforderungen und das erwartete editierbare Arbeitsergebnis bereit. Bewahren Sie bei einem Diagramm oder Dokument Beschriftungen und Einheiten und verlangen Sie eine Wertetabelle mit unterstützenden Belegen. Geben Sie für eine mehrsprachige Erklärung die Zielsprache und die beizubehaltenden Begriffe an.
Der Denkmodus ist standardmäßig aktiviert und erzeugt vor der endgültigen Antwort einen Denkblock. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die alten weichen Prompt-Umschalter /think und /nothink nicht offiziell. Seine Empfehlung zum Gesprächsverlauf lautet, endgültige Antworten ohne Denkinhalt beizubehalten. Dies sollte von den späteren Beibehaltungsoptionen von Qwen3.6 oder der standardmäßigen Beibehaltung früherer Schlussfolgerungen von Qwen3.8 getrennt bleiben.
Nutzung als Agent
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für repositoryorientierte Arbeit. Definieren Sie erlaubte Operationen, relevante Belege und das fertige Arbeitsergebnis. Die Anwendung führt Werkzeuge aus und stellt ihre Beobachtungen bereit; das Modell kann diese Rückmeldungen nutzen, um seine Analyse zu überarbeiten. Ein geplanter Befehl oder erzeugter Patch ist keine ausgeführte Aktion, und der Modellname allein belegt keinen Zugriff auf aktuelle Informationen oder Dateien.
Sehr langer Kontext
Die Erweiterungsanleitung des Herstellers verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Aufgaben mit 524,288 Token wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten verringern und sollte daher konfiguriert werden, wenn der größere Kontext benötigt wird. Ordnen Sie langes Material mit Dokumentgrenzen, Codekennungen und einer klaren Frage, statt das Fenster mit nicht zugehörigen Belegen zu füllen.
Empfehlungen zur Generierung
In den Best Practices verwenden allgemeine Aufgaben im Denkmodus temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 und repetition penalty 1.0. Präzise Programmierung verwendet temperature 0.6 und presence penalty null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und presence penalty 1.5; top_k beträgt 20, min_p beträgt 0 und repetition penalty beträgt 1.0. Für Schlussfolgern im direkten Modus nennen die Best Practices temperature 1.0, top_p 1.0, top_k 40 und presence penalty 2.0. Halten Sie diese aufgabenspezifischen Voreinstellungen getrennt; höhere presence penalties können Sprachmischung oder eine leichte Qualitätsminderung verursachen.
Die empfohlenen Generierungsbudgets betragen 32,768 Token für die meisten Fragen und 81,920 für außergewöhnlich komplexe Mathematik oder Programmierung. Dies sind keine separat festgelegten harten Ausgabegrenzen. Definieren Sie die Form der endgültigen Antwort ausdrücklich und prüfen Sie Berechnungen oder erzeugten Code anhand der bereitgestellten Bedingungen.
Video und wesentliche Grenzen
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Die Hinweise des Herstellers zu stundenlangen Videos erweitern das Prozessorbudget auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies erfordert Konfiguration und beansprucht neben Aufgabe und Antwort Kontextplatz; es ist keine bedingungslose Garantie für Dauer oder perfekte Erinnerung an Ereignisse. Bewahren Sie relevante Szenenübergänge und kleine Schrift und fordern Sie ein Ergebnis mit Bezug zu den sichtbaren Belegen an. Der praktische Wert liegt im gemeinsamen Text- und visuellen Einsatzbereich des Checkpoints und seinem wählbaren Antwortmodus, mit einem konkreten Arbeitsergebnis, das sich prüfen lässt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-35b-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 $0.00046 / 1K Token Ausgabe · Ausgabetoken $0.00366 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00046 / 1K Token Ausgabe · Ausgabetoken $0.00366 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-35b-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/qwen3.5-35b-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/qwen3.5-35b-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/qwen3.5-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B ist Qwens Vision-Language-Modell mit Mixture-of-Experts-Architektur, insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es verarbeitet Text, Bilder und Video für Schlussfolgern, Programmierung und werkzeuggestützte Arbeit, mit Denk- und Direktantwortmodi und einem nativen Kontext von 262,144 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Stärken von Qwen3.5: ein spärlich aktivierter Vision-Language-Checkpoint
Qwen3.5-35B-A3B ist ein nachtrainiertes Vision-Language-Modell, das das Verstehen von Text, Bildern und Video mit textlichen Antworten verbindet. Die Familie wird mit früher Fusion von Text und visuellen Informationen sowie Reinforcement Learning mit zunehmend komplexen Aufgaben trainiert und unterstützt Schlussfolgern, Programmierung, Agenten und visuelle Analyse. Sie beschreibt außerdem eine Abdeckung von 201 Sprachen und Dialekten. Diese Abdeckung ist eine Familienfähigkeit und kein Versprechen gleicher Qualität für jede Sprache oder Aufgabe.
Der genaue offene Checkpoint ist von Qwen3.5-35B-A3B-Base und der späteren Qwen3.6-Veröffentlichung getrennt. Der Hersteller beschreibt auch ein verwaltetes Flash-Angebot mit zusätzlichen Funktionen; diese Schnittstellenfunktionen sollten diesem offenen Checkpoint nicht automatisch zugewiesen werden. Bewahren Sie die angeforderte Identität 35B-A3B beim Vergleich von Ergebnissen oder beim Festhalten einer reproduzierbaren Modellauswahl.
Modellübersicht
Das Mixture-of-Experts-Modell besitzt insgesamt 35 Milliarden Parameter und aktiviert davon drei Milliarden. Seine hybride Architektur mit 40 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschließend eine Expertenschicht mit Gated Attention. Es besitzt 256 geroutete Experten; in der dokumentierten Architektur sind acht geroutete Experten und ein geteilter Experte aktiv. Ein Vision-Encoder und Multi-Token Prediction gehören zum Modell. Die Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Größe, und die Architektur allein garantiert keine Latenz in einer bestimmten Anwendung.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Qwen empfiehlt für komplexe Aufgaben im Denkmodus nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn ein kleineres Fenster den Speicherdruck reduzieren würde. Text, visuelle Repräsentationen, Verlauf, Denkprozess und endgültige Antwort benötigen allesamt Platz in der konfigurierten Sequenz.
Eingaben und Antwortmodi verwenden
Stellen Sie für eine Programmieranfrage auf Grundlage eines Screenshots die visuelle Referenz, den bestehenden Quellkontext, die Interaktionsanforderungen und das erwartete editierbare Arbeitsergebnis bereit. Bewahren Sie bei einem Diagramm oder Dokument Beschriftungen und Einheiten und verlangen Sie eine Wertetabelle mit unterstützenden Belegen. Geben Sie für eine mehrsprachige Erklärung die Zielsprache und die beizubehaltenden Begriffe an.
Der Denkmodus ist standardmäßig aktiviert und erzeugt vor der endgültigen Antwort einen Denkblock. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.5 unterstützt die alten weichen Prompt-Umschalter /think und /nothink nicht offiziell. Seine Empfehlung zum Gesprächsverlauf lautet, endgültige Antworten ohne Denkinhalt beizubehalten. Dies sollte von den späteren Beibehaltungsoptionen von Qwen3.6 oder der standardmäßigen Beibehaltung früherer Schlussfolgerungen von Qwen3.8 getrennt bleiben.
Nutzung als Agent
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für repositoryorientierte Arbeit. Definieren Sie erlaubte Operationen, relevante Belege und das fertige Arbeitsergebnis. Die Anwendung führt Werkzeuge aus und stellt ihre Beobachtungen bereit; das Modell kann diese Rückmeldungen nutzen, um seine Analyse zu überarbeiten. Ein geplanter Befehl oder erzeugter Patch ist keine ausgeführte Aktion, und der Modellname allein belegt keinen Zugriff auf aktuelle Informationen oder Dateien.
Sehr langer Kontext
Die Erweiterungsanleitung des Herstellers verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Aufgaben mit 524,288 Token wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten verringern und sollte daher konfiguriert werden, wenn der größere Kontext benötigt wird. Ordnen Sie langes Material mit Dokumentgrenzen, Codekennungen und einer klaren Frage, statt das Fenster mit nicht zugehörigen Belegen zu füllen.
Empfehlungen zur Generierung
In den Best Practices verwenden allgemeine Aufgaben im Denkmodus temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 und repetition penalty 1.0. Präzise Programmierung verwendet temperature 0.6 und presence penalty null. Allgemeine direkte Antworten verwenden temperature 0.7, top_p 0.8 und presence penalty 1.5; top_k beträgt 20, min_p beträgt 0 und repetition penalty beträgt 1.0. Für Schlussfolgern im direkten Modus nennen die Best Practices temperature 1.0, top_p 1.0, top_k 40 und presence penalty 2.0. Halten Sie diese aufgabenspezifischen Voreinstellungen getrennt; höhere presence penalties können Sprachmischung oder eine leichte Qualitätsminderung verursachen.
Die empfohlenen Generierungsbudgets betragen 32,768 Token für die meisten Fragen und 81,920 für außergewöhnlich komplexe Mathematik oder Programmierung. Dies sind keine separat festgelegten harten Ausgabegrenzen. Definieren Sie die Form der endgültigen Antwort ausdrücklich und prüfen Sie Berechnungen oder erzeugten Code anhand der bereitgestellten Bedingungen.
Video und wesentliche Grenzen
Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Die Hinweise des Herstellers zu stundenlangen Videos erweitern das Prozessorbudget auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies erfordert Konfiguration und beansprucht neben Aufgabe und Antwort Kontextplatz; es ist keine bedingungslose Garantie für Dauer oder perfekte Erinnerung an Ereignisse. Bewahren Sie relevante Szenenübergänge und kleine Schrift und fordern Sie ein Ergebnis mit Bezug zu den sichtbaren Belegen an. Der praktische Wert liegt im gemeinsamen Text- und visuellen Einsatzbereich des Checkpoints und seinem wählbaren Antwortmodus, mit einem konkreten Arbeitsergebnis, das sich prüfen lässt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-35b-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 $0.00046 / 1K Token Ausgabe · Ausgabetoken $0.00366 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00046 / 1K Token Ausgabe · Ausgabetoken $0.00366 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-35b-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/qwen3.5-35b-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/qwen3.5-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.