Die Stärken von Qwen3.5 in der dichten 9B-Edition
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er verarbeitet Text, Bilder und Video und gibt Text zurück. Die Familie verbindet Schlussfolgern, Programmierung, Agenten und visuelles Verständnis durch frühe Fusion von Text- und visuellem Training, Reinforcement Learning mit zunehmend komplexen Aufgaben und die Unterstützung von 201 Sprachen und Dialekten. Diese Sprachabdeckung ist eine Familienfähigkeit, keine Garantie für identische Zuverlässigkeit in jeder Sprache oder bei jedem Thema.
Geben Sie für mehrsprachige Dokumentarbeit die Zielsprache an, bewahren Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellenfelder oder Passagen nennt. Stellen Sie für eine visuelle Frage ein gut lesbares Bild und eine präzise Aufgabe bereit. Geben Sie für eine kleine Programmieraufgabe die Eingabe, das gewünschte Verhalten und den relevanten Code an. Bei der Analyse visuellen Materials erzeugt das Modell keine Bilder oder Videos.
Modellübersicht
Genau dieses 9B-Modell ist dicht und besitzt 32 Sprachmodellschichten sowie einen Vision-Encoder. Seine hybride Architektur wiederholt jeweils drei Gated-DeltaNet-Schichten und anschließend eine Schicht mit Gated Attention, unter Verwendung dichter Feedforward-Netze. Multi-Token Prediction ist Teil des Trainings. Die Familie enthält außerdem spärlich aktivierte Expertenmodelle; deren Beschreibungen der gesamten und aktivierten Parameter sollten jedoch nicht auf diese dichte Edition angewendet werden.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Konfiguration und numerische Modellgröße müssen von seinem Base-Checkpoint, anderen Qwen3.5-Größen und quantisierten Builds getrennt bleiben. Eine kleinere Parameterzahl kennzeichnet die Edition; sie begründet für sich genommen weder eine allgemeingültige Antwortzeit noch eine Qualitätsrangfolge. Für komplexe Aufgaben im Denkmodus empfiehlt Qwen, nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Token beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Fragen zu Bildern und Video. Geben Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern an oder eine Videofrage mit dem relevanten Ereignis und Zeitraum. Bewahren Sie Beschriftungen, Einheiten und die Bildreihenfolge. Fordern Sie ein Ergebnis an, das sich mit der Quelle vergleichen lässt, etwa eine Tabelle extrahierter Werte oder eine Erklärung, die die sichtbaren Belege nennt.
Der Denkmodus ist standardmäßig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren weichen Prompt-Umschalter /think und /nothink werden dagegen nicht offiziell unterstützt. Verwenden Sie die Vorlage des Herstellers und halten Sie Denkprozess und endgültigen Text getrennt, wenn die Oberfläche beides bereitstellt. Die Verlaufsempfehlung für Qwen3.5 lautet, endgültige Antworten ohne ihren Denkinhalt beizubehalten; neueres Verhalten zur Beibehaltung früherer Denkprozesse sollte nicht in diese Veröffentlichung übernommen werden.
Nutzung als Agent
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für die Arbeit mit Programmieragenten. Benennen Sie die erlaubten Werkzeuge und das beobachtbare Ergebnis. Ein angeschlossenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschließend in seiner Antwort verwenden. Werkzeuge und externe Aktionen gehören zur Anwendung, sodass der Modellname allein weder Zugriff noch Ausführung belegt.
Sehr langer Text
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte sich daher nach dem tatsächlichen Bedarf an längerem Kontext richten. Eingabe, visuelle Repräsentation, Verlauf, Denkprozess und endgültige Ausgabe teilen sich das Sequenzbudget. Ordnen Sie langes Material nach Dokument- oder Codekennung und lassen Sie Raum für das angeforderte Arbeitsergebnis.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeine Aufgaben im Denkmodus verwenden 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 Schlussfolgerungsaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und presence penalty 2.0. Dies sind aufgabenspezifische Vorgaben und keine Werte, die beliebig vermischt werden sollten. Höhere presence penalties können Sprachmischung oder eine leichte Qualitätsminderung verursachen.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Anfragen und 81,920 für außergewöhnlich komplexe Mathematik- oder Programmierfragen. Diese Angaben sind Empfehlungen und keine unabhängigen harten Ausgabegrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und wesentliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Ablauf standardmäßig zwei Bilder pro Sekunde. Seine Hinweise zu stundenlangen Videos erweitern das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies sind konfigurationsabhängige Beispiele und keine allgemeingültige Garantie für Dauer oder Ereigniszeitpunkte. Halten Sie kleine Schrift und wichtige Szenenübergänge gut erkennbar und prüfen Sie extrahierten Text, Berechnungen und erzeugten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Edition liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte sowie ihrem steuerbaren Antwortmodus, wobei ihre genaue dichte Identität erhalten bleibt.
", "aboutText": "Die Stärken von Qwen3.5 in der dichten 9B-Edition\n\nQwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er verarbeitet Text, Bilder und Video und gibt Text zurück. Die Familie verbindet Schlussfolgern, Programmierung, Agenten und visuelles Verständnis durch frühe Fusion von Text- und visuellem Training, Reinforcement Learning mit zunehmend komplexen Aufgaben und die Unterstützung von 201 Sprachen und Dialekten. Diese Sprachabdeckung ist eine Familienfähigkeit, keine Garantie für identische Zuverlässigkeit in jeder Sprache oder bei jedem Thema.\n\nGeben Sie für mehrsprachige Dokumentarbeit die Zielsprache an, bewahren Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellenfelder oder Passagen nennt. Stellen Sie für eine visuelle Frage ein gut lesbares Bild und eine präzise Aufgabe bereit. Geben Sie für eine kleine Programmieraufgabe die Eingabe, das gewünschte Verhalten und den relevanten Code an. Bei der Analyse visuellen Materials erzeugt das Modell keine Bilder oder Videos.\n\nModellübersicht\n\nGenau dieses 9B-Modell ist dicht und besitzt 32 Sprachmodellschichten sowie einen Vision-Encoder. Seine hybride Architektur wiederholt jeweils drei Gated-DeltaNet-Schichten und anschließend eine Schicht mit Gated Attention, unter Verwendung dichter Feedforward-Netze. Multi-Token Prediction ist Teil des Trainings. Die Familie enthält außerdem spärlich aktivierte Expertenmodelle; deren Beschreibungen der gesamten und aktivierten Parameter sollten jedoch nicht auf diese dichte Edition angewendet werden.\n\nDer native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Konfiguration und numerische Modellgröße müssen von seinem Base-Checkpoint, anderen Qwen3.5-Größen und quantisierten Builds getrennt bleiben. Eine kleinere Parameterzahl kennzeichnet die Edition; sie begründet für sich genommen weder eine allgemeingültige Antwortzeit noch eine Qualitätsrangfolge. Für komplexe Aufgaben im Denkmodus empfiehlt Qwen, nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Token beizubehalten.\n\nEingaben und Antwortmodi\n\nDer Hersteller zeigt reine Textfragen sowie Fragen zu Bildern und Video. Geben Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern an oder eine Videofrage mit dem relevanten Ereignis und Zeitraum. Bewahren Sie Beschriftungen, Einheiten und die Bildreihenfolge. Fordern Sie ein Ergebnis an, das sich mit der Quelle vergleichen lässt, etwa eine Tabelle extrahierter Werte oder eine Erklärung, die die sichtbaren Belege nennt.\n\nDer Denkmodus ist standardmäßig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren weichen Prompt-Umschalter /think und /nothink werden dagegen nicht offiziell unterstützt. Verwenden Sie die Vorlage des Herstellers und halten Sie Denkprozess und endgültigen Text getrennt, wenn die Oberfläche beides bereitstellt. Die Verlaufsempfehlung für Qwen3.5 lautet, endgültige Antworten ohne ihren Denkinhalt beizubehalten; neueres Verhalten zur Beibehaltung früherer Denkprozesse sollte nicht in diese Veröffentlichung übernommen werden.\n\nNutzung als Agent\n\nQwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für die Arbeit mit Programmieragenten. Benennen Sie die erlaubten Werkzeuge und das beobachtbare Ergebnis. Ein angeschlossenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschließend in seiner Antwort verwenden. Werkzeuge und externe Aktionen gehören zur Anwendung, sodass der Modellname allein weder Zugriff noch Ausführung belegt.\n\nSehr langer Text\n\nDie dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte sich daher nach dem tatsächlichen Bedarf an längerem Kontext richten. Eingabe, visuelle Repräsentation, Verlauf, Denkprozess und endgültige Ausgabe teilen sich das Sequenzbudget. Ordnen Sie langes Material nach Dokument- oder Codekennung und lassen Sie Raum für das angeforderte Arbeitsergebnis.\n\nEmpfehlungen zur Generierung\n\nDie Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeine Aufgaben im Denkmodus verwenden 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 Schlussfolgerungsaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und presence penalty 2.0. Dies sind aufgabenspezifische Vorgaben und keine Werte, die beliebig vermischt werden sollten. Höhere presence penalties können Sprachmischung oder eine leichte Qualitätsminderung verursachen.\n\nQwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Anfragen und 81,920 für außergewöhnlich komplexe Mathematik- oder Programmierfragen. Diese Angaben sind Empfehlungen und keine unabhängigen harten Ausgabegrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.\n\nVideodetails und wesentliche Grenzen\n\nDas Videobeispiel des Herstellers verwendet im unterstützten Ablauf standardmäßig zwei Bilder pro Sekunde. Seine Hinweise zu stundenlangen Videos erweitern das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies sind konfigurationsabhängige Beispiele und keine allgemeingültige Garantie für Dauer oder Ereigniszeitpunkte. Halten Sie kleine Schrift und wichtige Szenenübergänge gut erkennbar und prüfen Sie extrahierten Text, Berechnungen und erzeugten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Edition liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte sowie ihrem steuerbaren Antwortmodus, wobei ihre genaue dichte Identität erhalten bleibt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B ist Qwens dichtes Vision-Language-Modell mit 9 Milliarden Parametern für Text, Bilder und Video mit Textausgabe. Es verbindet Schlussfolgern, Programmierung, Werkzeugaufrufe und mehrsprachige Arbeit mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Token, der sich per Konfiguration erweitern lässt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Stärken von Qwen3.5 in der dichten 9B-Edition
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er verarbeitet Text, Bilder und Video und gibt Text zurück. Die Familie verbindet Schlussfolgern, Programmierung, Agenten und visuelles Verständnis durch frühe Fusion von Text- und visuellem Training, Reinforcement Learning mit zunehmend komplexen Aufgaben und die Unterstützung von 201 Sprachen und Dialekten. Diese Sprachabdeckung ist eine Familienfähigkeit, keine Garantie für identische Zuverlässigkeit in jeder Sprache oder bei jedem Thema.
Geben Sie für mehrsprachige Dokumentarbeit die Zielsprache an, bewahren Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellenfelder oder Passagen nennt. Stellen Sie für eine visuelle Frage ein gut lesbares Bild und eine präzise Aufgabe bereit. Geben Sie für eine kleine Programmieraufgabe die Eingabe, das gewünschte Verhalten und den relevanten Code an. Bei der Analyse visuellen Materials erzeugt das Modell keine Bilder oder Videos.
Modellübersicht
Genau dieses 9B-Modell ist dicht und besitzt 32 Sprachmodellschichten sowie einen Vision-Encoder. Seine hybride Architektur wiederholt jeweils drei Gated-DeltaNet-Schichten und anschließend eine Schicht mit Gated Attention, unter Verwendung dichter Feedforward-Netze. Multi-Token Prediction ist Teil des Trainings. Die Familie enthält außerdem spärlich aktivierte Expertenmodelle; deren Beschreibungen der gesamten und aktivierten Parameter sollten jedoch nicht auf diese dichte Edition angewendet werden.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Konfiguration und numerische Modellgröße müssen von seinem Base-Checkpoint, anderen Qwen3.5-Größen und quantisierten Builds getrennt bleiben. Eine kleinere Parameterzahl kennzeichnet die Edition; sie begründet für sich genommen weder eine allgemeingültige Antwortzeit noch eine Qualitätsrangfolge. Für komplexe Aufgaben im Denkmodus empfiehlt Qwen, nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Token beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Fragen zu Bildern und Video. Geben Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern an oder eine Videofrage mit dem relevanten Ereignis und Zeitraum. Bewahren Sie Beschriftungen, Einheiten und die Bildreihenfolge. Fordern Sie ein Ergebnis an, das sich mit der Quelle vergleichen lässt, etwa eine Tabelle extrahierter Werte oder eine Erklärung, die die sichtbaren Belege nennt.
Der Denkmodus ist standardmäßig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren weichen Prompt-Umschalter /think und /nothink werden dagegen nicht offiziell unterstützt. Verwenden Sie die Vorlage des Herstellers und halten Sie Denkprozess und endgültigen Text getrennt, wenn die Oberfläche beides bereitstellt. Die Verlaufsempfehlung für Qwen3.5 lautet, endgültige Antworten ohne ihren Denkinhalt beizubehalten; neueres Verhalten zur Beibehaltung früherer Denkprozesse sollte nicht in diese Veröffentlichung übernommen werden.
Nutzung als Agent
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für die Arbeit mit Programmieragenten. Benennen Sie die erlaubten Werkzeuge und das beobachtbare Ergebnis. Ein angeschlossenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschließend in seiner Antwort verwenden. Werkzeuge und externe Aktionen gehören zur Anwendung, sodass der Modellname allein weder Zugriff noch Ausführung belegt.
Sehr langer Text
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte sich daher nach dem tatsächlichen Bedarf an längerem Kontext richten. Eingabe, visuelle Repräsentation, Verlauf, Denkprozess und endgültige Ausgabe teilen sich das Sequenzbudget. Ordnen Sie langes Material nach Dokument- oder Codekennung und lassen Sie Raum für das angeforderte Arbeitsergebnis.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeine Aufgaben im Denkmodus verwenden 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 Schlussfolgerungsaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und presence penalty 2.0. Dies sind aufgabenspezifische Vorgaben und keine Werte, die beliebig vermischt werden sollten. Höhere presence penalties können Sprachmischung oder eine leichte Qualitätsminderung verursachen.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Anfragen und 81,920 für außergewöhnlich komplexe Mathematik- oder Programmierfragen. Diese Angaben sind Empfehlungen und keine unabhängigen harten Ausgabegrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und wesentliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Ablauf standardmäßig zwei Bilder pro Sekunde. Seine Hinweise zu stundenlangen Videos erweitern das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies sind konfigurationsabhängige Beispiele und keine allgemeingültige Garantie für Dauer oder Ereigniszeitpunkte. Halten Sie kleine Schrift und wichtige Szenenübergänge gut erkennbar und prüfen Sie extrahierten Text, Berechnungen und erzeugten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Edition liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte sowie ihrem steuerbaren Antwortmodus, wobei ihre genaue dichte Identität erhalten bleibt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-9b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0003 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0003 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-9b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-9b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.5-9b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.5-9bQwen3.5-9B ist Qwens dichtes Vision-Language-Modell mit 9 Milliarden Parametern für Text, Bilder und Video mit Textausgabe. Es verbindet Schlussfolgern, Programmierung, Werkzeugaufrufe und mehrsprachige Arbeit mit wählbarem Denkmodus und einem nativen Kontext von 262,144 Token, der sich per Konfiguration erweitern lässt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Stärken von Qwen3.5 in der dichten 9B-Edition
Qwen3.5-9B ist der nachtrainierte dichte Vision-Language-Checkpoint mit 9 Milliarden Parametern. Er verarbeitet Text, Bilder und Video und gibt Text zurück. Die Familie verbindet Schlussfolgern, Programmierung, Agenten und visuelles Verständnis durch frühe Fusion von Text- und visuellem Training, Reinforcement Learning mit zunehmend komplexen Aufgaben und die Unterstützung von 201 Sprachen und Dialekten. Diese Sprachabdeckung ist eine Familienfähigkeit, keine Garantie für identische Zuverlässigkeit in jeder Sprache oder bei jedem Thema.
Geben Sie für mehrsprachige Dokumentarbeit die Zielsprache an, bewahren Sie Fachbegriffe und verlangen Sie, dass das Ergebnis die verwendeten Quellenfelder oder Passagen nennt. Stellen Sie für eine visuelle Frage ein gut lesbares Bild und eine präzise Aufgabe bereit. Geben Sie für eine kleine Programmieraufgabe die Eingabe, das gewünschte Verhalten und den relevanten Code an. Bei der Analyse visuellen Materials erzeugt das Modell keine Bilder oder Videos.
Modellübersicht
Genau dieses 9B-Modell ist dicht und besitzt 32 Sprachmodellschichten sowie einen Vision-Encoder. Seine hybride Architektur wiederholt jeweils drei Gated-DeltaNet-Schichten und anschließend eine Schicht mit Gated Attention, unter Verwendung dichter Feedforward-Netze. Multi-Token Prediction ist Teil des Trainings. Die Familie enthält außerdem spärlich aktivierte Expertenmodelle; deren Beschreibungen der gesamten und aktivierten Parameter sollten jedoch nicht auf diese dichte Edition angewendet werden.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Konfiguration und numerische Modellgröße müssen von seinem Base-Checkpoint, anderen Qwen3.5-Größen und quantisierten Builds getrennt bleiben. Eine kleinere Parameterzahl kennzeichnet die Edition; sie begründet für sich genommen weder eine allgemeingültige Antwortzeit noch eine Qualitätsrangfolge. Für komplexe Aufgaben im Denkmodus empfiehlt Qwen, nach Möglichkeit einen konfigurierten Kontext von mindestens 128K Token beizubehalten.
Eingaben und Antwortmodi
Der Hersteller zeigt reine Textfragen sowie Fragen zu Bildern und Video. Geben Sie eine Dokumentfrage mit der relevanten Seite und den erwarteten Feldern an oder eine Videofrage mit dem relevanten Ereignis und Zeitraum. Bewahren Sie Beschriftungen, Einheiten und die Bildreihenfolge. Fordern Sie ein Ergebnis an, das sich mit der Quelle vergleichen lässt, etwa eine Tabelle extrahierter Werte oder eine Erklärung, die die sichtbaren Belege nennt.
Der Denkmodus ist standardmäßig aktiviert. enable_thinking kann das Schlussfolgern für eine direkte Antwort deaktivieren; die älteren weichen Prompt-Umschalter /think und /nothink werden dagegen nicht offiziell unterstützt. Verwenden Sie die Vorlage des Herstellers und halten Sie Denkprozess und endgültigen Text getrennt, wenn die Oberfläche beides bereitstellt. Die Verlaufsempfehlung für Qwen3.5 lautet, endgültige Antworten ohne ihren Denkinhalt beizubehalten; neueres Verhalten zur Beibehaltung früherer Denkprozesse sollte nicht in diese Veröffentlichung übernommen werden.
Nutzung als Agent
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent mit konfigurierten oder über MCP angeschlossenen Werkzeugen sowie Qwen Code für die Arbeit mit Programmieragenten. Benennen Sie die erlaubten Werkzeuge und das beobachtbare Ergebnis. Ein angeschlossenes Werkzeug kann eine Berechnung, einen Quellenabruf oder tatsächliche Ausführungsrückmeldungen liefern; das Modell kann diese Informationen anschließend in seiner Antwort verwenden. Werkzeuge und externe Aktionen gehören zur Anwendung, sodass der Modellname allein weder Zugriff noch Ausführung belegt.
Sehr langer Text
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen Positionseinstellungen dieses Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für 524,288 Token empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen und sollte sich daher nach dem tatsächlichen Bedarf an längerem Kontext richten. Eingabe, visuelle Repräsentation, Verlauf, Denkprozess und endgültige Ausgabe teilen sich das Sequenzbudget. Ordnen Sie langes Material nach Dokument- oder Codekennung und lassen Sie Raum für das angeforderte Arbeitsergebnis.
Empfehlungen zur Generierung
Die Best Practices der Modellkarte unterscheiden mehrere Voreinstellungen. Allgemeine Aufgaben im Denkmodus verwenden 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 Schlussfolgerungsaufgaben mit direkter Antwort empfehlen die Best Practices stattdessen temperature 1.0, top_p 1.0, top_k 40 und presence penalty 2.0. Dies sind aufgabenspezifische Vorgaben und keine Werte, die beliebig vermischt werden sollten. Höhere presence penalties können Sprachmischung oder eine leichte Qualitätsminderung verursachen.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Anfragen und 81,920 für außergewöhnlich komplexe Mathematik- oder Programmierfragen. Diese Angaben sind Empfehlungen und keine unabhängigen harten Ausgabegrenzen. Geben Sie das Antwortformat an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld, und prüfen Sie die Schlussfolgerung anhand der Quelle.
Videodetails und wesentliche Grenzen
Das Videobeispiel des Herstellers verwendet im unterstützten Ablauf standardmäßig zwei Bilder pro Sekunde. Seine Hinweise zu stundenlangen Videos erweitern das Budget des Videoprozessors auf ungefähr 224K Video-Token für eine höhere Abtastrate. Dies sind konfigurationsabhängige Beispiele und keine allgemeingültige Garantie für Dauer oder Ereigniszeitpunkte. Halten Sie kleine Schrift und wichtige Szenenübergänge gut erkennbar und prüfen Sie extrahierten Text, Berechnungen und erzeugten Code, bevor Sie das Ergebnis verwenden. Der praktische Wert der 9B-Edition liegt in ihrem dokumentierten gemeinsamen Aufgabenbereich für Text und visuelle Inhalte sowie ihrem steuerbaren Antwortmodus, wobei ihre genaue dichte Identität erhalten bleibt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.5-9b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0003 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0003 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-9b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-9b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.5-9b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.