Modelle

Qwen: Qwen3.5 397B A17B

Markdown · JSON

Qwen: Qwen3.5 397B A17B

Qwen3.5-397B-A17B ist Qwens Vision-Language-Modell mit Mixture-of-Experts-Architektur, insgesamt 397 Milliarden und 17 Milliarden aktivierten Parametern. Es verarbeitet Text, Bilder und Video und gibt Text für Schlussfolgerungs-, Programmier- und Agentenaufgaben zurück, mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Token.

Über das Modell

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: der Checkpoint 397B-A17B

Qwen3.5-397B-A17B ist das nachtrainierte Vision-Language-Modell mit Mixture-of-Experts-Architektur in der Qwen3.5-Familie. Es verarbeitet Text, Bilder und Video und erzeugt Text: Erklärungen, Codevorschläge, Analysen und angeforderte Dokumente. Die Familie nutzt frühe Fusion von Text und visuellen Informationen sowie Reinforcement Learning mit zunehmend komplexen Aufgaben, um Schlussfolgern, Programmierung, Agenten und visuelles Verständnis zu entwickeln. Ihre dokumentierte Sprachabdeckung umfasst 201 Sprachen und Dialekte und verspricht keine identische Zuverlässigkeit in jeder Sprache oder jedem Fachgebiet.

Der Hersteller beschreibt das verwaltete Qwen3.5-Plus gesondert als entsprechendes Angebot mit zusätzlichen Produktionsfunktionen. Bewahren Sie die eigene Identität, den Kontext und die Generierungsvorgaben dieses offenen Checkpoints, statt jede verwaltete Funktion oder spätere Qwen-Einstellung zu übernehmen. Die genaue Edition 397B-A17B bleibt von kleineren dichten und Expertenmodellen derselben Familie getrennt.

Modellübersicht

Das Modell besitzt insgesamt 397 Milliarden Parameter und aktiviert davon 17 Milliarden. Seine hybride Architektur mit 60 Schichten wiederholt jeweils drei Gated-DeltaNet-Expertenschichten und anschließend eine Expertenschicht mit Gated Attention. Der Hersteller nennt 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Ein Vision-Encoder und Multi-Token Prediction gehören zum Modell. Gesamtparameter, aktivierte Parameter und der Speicherbedarf des vollständigen Checkpoints sind unterschiedliche Konzepte; diese Zahlen begründen keine feste Antwortzeit.

Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf bis zu 1,010,000. Text, Repräsentationen von Bildern oder Video, Gesprächsverlauf, Denkprozess und endgültige Antwort teilen sich das konfigurierte Sequenzbudget. Verwenden Sie für eine Aufgabe das tatsächlich konfigurierte Budget, statt anzunehmen, dass das größte Dokument und die größte Antwort automatisch zusammen hineinpassen.

Textliche und visuelle Belege vorbereiten

Stellen Sie für ein technisches Projekt die Spezifikation, den relevanten Code und Diagramme bereit und definieren Sie das zu erzeugende Arbeitsergebnis. Fordern Sie einen Implementierungsvorschlag an, der nach betroffenen Komponenten gegliedert und durch die bereitgestellten Anforderungen gestützt ist. Bewahren Sie bei einem Dokumentvergleich Abschnittskennungen, Tabellenbeschriftungen und Einheiten und verlangen Sie eine Ergebnistabelle mit Belegen für jede Zeile. Geben Sie für einen mehrsprachigen Bericht die Zielsprache und die unverändert zu belassenden Begriffe an.

Bewahren Sie bei einer Bildfrage kleine Beschriftungen und liefern Sie Definitionen, die im Bild fehlen. Benennen Sie bei einer Videofrage das relevante Ereignis und erhalten Sie Bildreihenfolge und Zeitinformationen. Vergleichen Sie die zurückgegebenen visuellen Details, Zitate und Ereignisbeschreibungen mit den ursprünglichen Bildern, Passagen und Zeitstempeln. Das Ergebnis bleibt textliche Analyse oder Code; die visuelle Eingabe des Modells bedeutet keine Erzeugung von Bildern, Video oder Sprache.

Denkmodus und Gesprächsverlauf

Der Denkmodus ist standardmäßig aktiviert und geht der endgültigen Antwort voraus. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Die älteren weichen Prompt-Umschalter /think und /nothink werden für Qwen3.5 nicht offiziell unterstützt. Halten Sie das fertige Arbeitsergebnis nach dem Denkprozess leicht auffindbar, etwa als abgegrenzte Schlussfolgerung, Belegtabelle oder separaten Codevorschlag.

Die Modellkarte empfiehlt, in früheren Assistentennachrichten endgültige Antworten ohne Denkinhalt beizubehalten. Dies unterscheidet sich von den in späteren Veröffentlichungen eingeführten Optionen und Voreinstellungen zur Beibehaltung früherer Schlussfolgerungen. Folgen Sie der Vorlage genau dieses Checkpoints und halten Sie Korrekturen oder Werkzeugbeobachtungen der Aufgabe zugeordnet, die sie aktualisieren.

Nutzung als Agent

Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für Abläufe mit Programmieragenten. Benennen Sie erlaubte Operationen, verfügbare Belege und beobachtbare Erledigungskriterien. Eine Anwendung führt Werkzeuge aus und stellt ihre Ergebnisse bereit; das Modell kann diese Beobachtungen verwenden, um seinen Plan oder seine Erklärung zu überarbeiten. Ein vorgeschlagener Befehl oder Patch bleibt von einer tatsächlich in der Umgebung abgeschlossenen Aktion getrennt.

Sehr langer Text und Video

Die Erweiterung des Herstellers verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token wird ein Faktor von zwei empfohlen. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte sich daher nach einem tatsächlichen Bedarf an größerem Kontext richten. Ordnen Sie eine lange Eingabe nach Dokument-, Seiten- oder Codekennung und lassen Sie Platz für das Ergebnis.

Das unterstützte Videobeispiel verwendet standardmäßig zwei Bilder pro Sekunde. Für stundenlanges Material empfiehlt der Hersteller ein größeres Prozessorbudget, das ungefähr 224K Video-Token für eine höhere Abtastrate entspricht. Dies ist eine konfigurationsabhängige Anleitung und keine allgemeingültige Garantie für Mediendauer, vollständiges Erinnerungsvermögen oder Zeitstempelpräzision.

Empfehlungen zur Generierung und wesentliche Grenzen

Die Best Practices dieses Checkpoints empfehlen für den Denkmodus temperature 0.6, top_p 0.95, top_k 20 und min_p 0 sowie für direkte Antworten temperature 0.7, top_p 0.8, top_k 20 und min_p 0. Diese genauen Empfehlungen unterscheiden sich von denen einiger kleinerer Qwen3.5-Editionen. Soweit unterstützt, kann eine presence penalty zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht senken.

Die empfohlenen Generierungsbudgets betragen 32,768 Token für die meisten Anfragen und 81,920 für außergewöhnlich komplexe mathematische oder Programmierarbeit. Sie sind Empfehlungen und keine unabhängigen harten Ausgabegrenzen. Geben Sie das erforderliche Antwortformat an und prüfen Sie Berechnungen, extrahierte Details und vorgeschlagenen Code anhand der Quelle. Die nützliche Ausgabe ist ein konkretes textliches Arbeitsergebnis, dessen Belege und Annahmen sich prüfen lassen.

Praktische Aufgabe

Praktische Aufgabe

Technisches Beispiel auf Englisch

Reconcile a specification and implementation plan

Compare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.

Erwartetes Ergebnis

An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.

Ergebnis prüfen

Check that both ownership and draft status are required rather than treating either condition as sufficient.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions qwen/qwen3.5-397b-a17b

qwen/qwen3.5-397b-a17b

Alibaba /qwen/qwen3.5-397b-a17b

Start

Qwen3.5-397B-A17B ist Qwens Vision-Language-Modell mit Mixture-of-Experts-Architektur, insgesamt 397 Milliarden und 17 Milliarden aktivierten Parametern. Es verarbeitet Text, Bilder und Video und gibt Text für Schlussfolgerungs-, Programmier- und Agentenaufgaben zurück, mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Token.

Zulässige Eingaben
Text
Ergebnisse
Text

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Eingabetypen
text
Ausgabetypen
text
Ausgabeformat
json oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
qwen/qwen3.5-397b-a17b
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und Limits
Mindestanzahl Elemente: 1
Standard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte 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[].contentTypstring|content_part[]|nullAnforderungOptionalWerte und LimitsStandard—
Feldmessages[].tool_callsTyptool_call[]AnforderungOptionalWerte und LimitsStandard—
Feldmessages[].tool_call_idTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden
Standard—
Feldmessages[].nameTypstringAnforderungOptionalWerte und LimitsStandard—
Feldmessages[].reasoning_contentTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet
Standard—
Feldmessages[].reasoning_detailsTypobject|arrayAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldmax_tokensTypintegerAnforderungOptionalWerte und Limits
Minimum: 1
Modellabhängig
Standard—
Feldmax_completion_tokensTypintegerAnforderungOptionalWerte und Limits
Minimum: 1
Modellabhängig
Standard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldstream_options.include_usageTypbooleanAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldtemperatureTypnumberAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldtop_pTypnumberAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldstopTypstring|string[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldtoolsTypfunction_tool[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldtools[].typeTypstringAnforderungOptionalWerte und Limits
function
Modellabhängig
Standard—
Feldtools[].function.nameTypstringAnforderungErforderlichWerte und Limits
Gilt, wenn: Funktionswerkzeug bereitgestellt
Standard—
Feldtools[].function.descriptionTypstringAnforderungOptionalWerte und LimitsStandard—
Feldtools[].function.parametersTypJSON_schemaAnforderungOptionalWerte und LimitsStandard—
Feldtool_choiceTypstring|objectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldparallel_tool_callsTypbooleanAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldresponse_formatTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldreasoning_effortTypstringAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldreasoningTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldservice_tierTypstringAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldinstructionsTypstringAnforderungOptionalWerte und Limits
Kompatibilitätsfeld
Standard—
FeldfunctionsTypfunction[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldfunction_callTypstring|objectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldprompt_cache_optionsTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldmodalitiesTypstring[]AnforderungOptionalWerte und Limits
text
Standard—
FeldproviderTypobjectAnforderungOptionalWerte und Limits
Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt
Standard—
Feldcache_control.ttlTypstringAnforderungOptionalWerte und Limits
Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt
Standard—
Kombinationen von Eingabematerialien

Text · UTF8-Text

messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages
Parametermaterial_typesVertragtext
ParametermessagesVertragNachrichtenarray mit role/content-Struktur
Parameterfile_materialVertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet
Parameteroptional_controlsVertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeVertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen
Parameteroutput_modalitiesVertragtext
Parameterhosted_operationsVertragfalse
Parametermultimodal_input_bindingVertragnull

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.

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Standardtarif Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Standardtarif Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelKontexttoken, mehr alsKontexttoken, bis einschließlichGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifKontexttoken, mehr als—Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.00078 / 1K Token
Ausgabe · Ausgabetoken $0.00468 / 1K Token
Eingabe · Cache-Lesen $0 / 1K Token
Eingabe · Cache-Schreiben $0 / 1K Token
Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token
KonfigurationAnfragelängenstufe 1Tarifstaffel—Kontexttoken, mehr als0Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.00078 / 1K Token
Ausgabe · Ausgabetoken $0.00468 / 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 →

Beispielanfragen

Ailoot Ultra · OpenAI Chat

curlPython SDKPython-Stream
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen/qwen3.5-397b-a17b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='qwen/qwen3.5-397b-a17b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='qwen/qwen3.5-397b-a17b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Ergebnisse abrufen und speichern

Ailoot Ultra · OpenAI Chat

json oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
Feldchoices[].indexTypinteger
Feldchoices[].message.contentTypstring|null
Feldchoices[].message.tool_callsTyptool_call[]
Feldchoices[].message.reasoning_contentTypstring
Feldchoices[].message.reasoning_detailsTypobject|array
Feldchoices[].finish_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra qwen/qwen3.5-397b-a17b

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

qwen/qwen3.5-397b-a17b

Ailoot Ultra · Anthropic Messages POST /v1/messages qwen/qwen3.5-397b-a17b

qwen/qwen3.5-397b-a17b

Alibaba /qwen/qwen3.5-397b-a17b

Start

Qwen3.5-397B-A17B ist Qwens Vision-Language-Modell mit Mixture-of-Experts-Architektur, insgesamt 397 Milliarden und 17 Milliarden aktivierten Parametern. Es verarbeitet Text, Bilder und Video und gibt Text für Schlussfolgerungs-, Programmier- und Agentenaufgaben zurück, mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Token.

Zulässige Eingaben
Text
Ergebnisse
json · sse

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Anthropic Messages POST /v1/messages
Eingabetypen
text
Ausgabetypen
json, sse
Ausgabeformat
JSON oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
qwen/qwen3.5-397b-a17b
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und LimitsStandard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte und Limits
user, assistant
Standard—
Feldmessages[].contentTypstringAnforderungErforderlichWerte und LimitsStandard—
Feldmax_tokensTypintegerAnforderungErforderlichWerte und LimitsStandard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Kombinationen von Eingabematerialien

Text · UTF-8-Text

Zeichenfolge messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages, max_tokens
Parameteroptional_controlsVertragstream
Parametermaterial_typesVertragtext
Parametertext_file_materialVertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen.

Lebenszyklus: synchronous_or_streamed

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Standardtarif Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Standardtarif Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelKontexttoken, mehr alsKontexttoken, bis einschließlichGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifKontexttoken, mehr als—Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.00078 / 1K Token
Ausgabe · Ausgabetoken $0.00468 / 1K Token
Eingabe · Cache-Lesen $0 / 1K Token
Eingabe · Cache-Schreiben $0 / 1K Token
Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token
KonfigurationAnfragelängenstufe 1Tarifstaffel—Kontexttoken, mehr als0Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.00078 / 1K Token
Ausgabe · Ausgabetoken $0.00468 / 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 →

Beispielanfragen

Ailoot Ultra · Anthropic Messages

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern
{
  "model": "qwen/qwen3.5-397b-a17b",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'qwen/qwen3.5-397b-a17b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'qwen/qwen3.5-397b-a17b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Ergebnisse abrufen und speichern

Ailoot Ultra · Anthropic Messages

JSON oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
FeldidTypstring
FeldmodelTypstring
Feldcontent[]Typtext|thinking|tool_use|other content block
Feldstop_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra qwen/qwen3.5-397b-a17b

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

qwen/qwen3.5-397b-a17b

FAQ · Qwen: Qwen3.5 397B A17B
Welche Eingaben und Ergebnisse sind verfügbar?

POST /v1/chat/completions · qwen/qwen3.5-397b-a17b: text → text

POST /v1/messages · qwen/qwen3.5-397b-a17b: text → json, sse

Welche Felder verwendet die Anfrage?

POST /v1/chat/completions · qwen/qwen3.5-397b-a17b: model, messages, stream, modalities, provider

POST /v1/messages · qwen/qwen3.5-397b-a17b: model, messages, max_tokens, stream

Welche Grenzen gelten?

POST /v1/chat/completions · qwen/qwen3.5-397b-a17b: messages.min_items: 1

Weitere Details

Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung.

Das Unternehmen und sein Projektportfolio

Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.

Tokens mit Rabatt kaufen.

Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf.

Abo
Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen.
Aktionscode bis 50%
Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet.
Ausgaben in der Historie
Modell, Tokens und Betrag werden für jede Anfrage gespeichert.

Abo wählen · Modellpreise ansehen

Verbinden Sie die API mit dem Produkt, das Sie verkaufen.

SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an.

Kommerzielle Anwendung
Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes.
Reseller-Lizenz
Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an.
Dokumente auf der Website
Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich.

Reseller-Lizenz anfordern · Offizielles Angebot und Lizenzvertrag