Die Stärken von Qwen3.6: Programmierung und Kontinuität beim Schlussfolgern
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmierung und Agentenarbeit. Qwen hebt stärkere Frontend-Abläufe und repositoryweites Schlussfolgern sowie eine neue Option zum Beibehalten von Denkprozessen aus früheren Nachrichten hervor. Es verarbeitet Text, Bilder und Video und gibt Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes textliches Arbeitsergebnis. Bewahren Sie die genaue Identität dieser 35B-A3B-Edition, statt sie als das dichte Qwen3.6-27B oder ihr früheres Qwen3.5-Pendant zu behandeln.
Stellen Sie für eine Frontend-Aufgabe den relevanten Screenshot, die funktionalen Anforderungen und den bestehenden Codekontext bereit. Fordern Sie editierbaren Quellcode und eine Beschreibung der vorgesehenen Zustände und Interaktionen an. Benennen Sie für eine Repository-Aufgabe die betroffene Funktion, die Eingabe, die ein Problem sichtbar macht, und das erwartete Verhalten. Fordern Sie einen Patchvorschlag mit seinen Annahmen und den relevanten Prüfungen an.
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 hat 256 geroutete Experten und wählt acht geroutete Experten gemeinsam mit einem geteilten Experten aus; Multi-Token Prediction ist Teil des Trainings. Die kleinere Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Größe. Ein Vision-Encoder stellt den visuellen Teil des Modells bereit.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Für komplexe Aufgaben im Denkmodus empfiehlt der Hersteller, nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn eine Reduzierung den Speicherdruck verringern würde. Ausgangstext, visuelle Repräsentationen, frühere Nachrichten, Denkprozess und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Modellkarte zeigt Fragen zu Text, Bildern und Video. Bewahren Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Erhalten Sie bei einem Clip die Zeitinformationen und benennen Sie das gesuchte Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmäßig zwei Bilder pro Sekunde und erlaubt die Konfiguration der Abtastung. Die empfohlene Vorgehensweise erweitert das Budget des Videoprozessors auf etwa 224K Video-Token für die Analyse stundenlangen Materials mit höherer Abtastrate; dies ist ein Konfigurationsbeispiel und keine feste allgemeingültige Grenze für die Cliplänge.
Der Denkmodus ist standardmäßig aktiviert. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren weichen Prompt-Umschalter /think und /nothink von Qwen3 nicht offiziell. Trennen Sie bei der Darstellung eines Ergebnisses den Denkprozess vom fertigen Arbeitsergebnis und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt anzunehmen, dass Prompt-Markierungen oder Einstellungen einer anderen Generation gelten.
Frühere Denkprozesse beibehalten
Standardmäßig behält die Vorlage die Denkblöcke bei, die mit der jüngsten Nutzernachricht verknüpft sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Schlussfolgerungen zu verwenden, wenn preserve_thinking aktiviert ist. Das ausdrückliche Beispiel setzt diese Option auf true. Dies kann einer iterativen Agentenaufgabe helfen, den Entscheidungskontext zu erhalten, statt frühere Entscheidungen immer wieder neu herzuleiten; zugleich verändert es den Umfang des mitgeführten Verlaufs. Ob die Option verfügbar ist, hängt davon ab, ob die Oberfläche die Anleitung des Herstellers zugänglich macht.
Nutzung als Agent
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent zur Konfiguration von Werkzeugen, einschließlich über MCP angeschlossener Werkzeuge. Qwen Code ist ein weiterer vom Hersteller dokumentierter Ablauf für Programmieragenten. Definieren Sie die erlaubten Werkzeuge, das Aufgabenziel und das erwartete Arbeitsergebnis, und geben Sie tatsächliche Werkzeugbeobachtungen an das Modell zurück. Das Modell kann über ein Ergebnis nachdenken und einen Plan überarbeiten; Zugriff auf Dateien oder Ausführungsumgebungen erhält es von der angeschlossenen Anwendung, nicht durch seinen Modellnamen.
Sehr langer Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token empfiehlt Qwen einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen. Der Hersteller empfiehlt daher eine Anpassung, wenn der längere Kontext benötigt wird. Bewahren Sie Abschnitts- und Codekennungen in einer umfangreichen Eingabe und verlangen Sie, dass das Ergebnis für jede Schlussfolgerung die stützenden Belege ausweist.
Empfehlungen zur Generierung und Grenzen
Für allgemeine Aufgaben im Denkmodus empfiehlt der Hersteller temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 und repetition penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 und presence penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und presence penalty 1.5; die übrigen Werte bleiben unverändert. Höhere presence penalties können Wiederholungen reduzieren, aber auch Sprachen vermischen oder die Qualität leicht senken.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Fragen und 81,920 für außergewöhnlich komplexe mathematische oder Programmieraufgaben. Dies sind Empfehlungen, keine separat festgelegten harten Ausgabegrenzen. Geben Sie das endgültige Format ausdrücklich an und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität beim Schlussfolgern und langer Kontext helfen, die Belege einer Aufgabe mitzuführen; ein überprüfbares fertiges Arbeitsergebnis macht das Resultat nutzbar.
", "aboutText": "Die Stärken von Qwen3.6: Programmierung und Kontinuität beim Schlussfolgern\n\nQwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmierung und Agentenarbeit. Qwen hebt stärkere Frontend-Abläufe und repositoryweites Schlussfolgern sowie eine neue Option zum Beibehalten von Denkprozessen aus früheren Nachrichten hervor. Es verarbeitet Text, Bilder und Video und gibt Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes textliches Arbeitsergebnis. Bewahren Sie die genaue Identität dieser 35B-A3B-Edition, statt sie als das dichte Qwen3.6-27B oder ihr früheres Qwen3.5-Pendant zu behandeln.\n\nStellen Sie für eine Frontend-Aufgabe den relevanten Screenshot, die funktionalen Anforderungen und den bestehenden Codekontext bereit. Fordern Sie editierbaren Quellcode und eine Beschreibung der vorgesehenen Zustände und Interaktionen an. Benennen Sie für eine Repository-Aufgabe die betroffene Funktion, die Eingabe, die ein Problem sichtbar macht, und das erwartete Verhalten. Fordern Sie einen Patchvorschlag mit seinen Annahmen und den relevanten Prüfungen an.\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 hat 256 geroutete Experten und wählt acht geroutete Experten gemeinsam mit einem geteilten Experten aus; Multi-Token Prediction ist Teil des Trainings. Die kleinere Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Größe. Ein Vision-Encoder stellt den visuellen Teil des Modells bereit.\n\nDer native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Für komplexe Aufgaben im Denkmodus empfiehlt der Hersteller, nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn eine Reduzierung den Speicherdruck verringern würde. Ausgangstext, visuelle Repräsentationen, frühere Nachrichten, Denkprozess und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.\n\nEingaben und Antwortmodi verwenden\n\nDie Modellkarte zeigt Fragen zu Text, Bildern und Video. Bewahren Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Erhalten Sie bei einem Clip die Zeitinformationen und benennen Sie das gesuchte Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmäßig zwei Bilder pro Sekunde und erlaubt die Konfiguration der Abtastung. Die empfohlene Vorgehensweise erweitert das Budget des Videoprozessors auf etwa 224K Video-Token für die Analyse stundenlangen Materials mit höherer Abtastrate; dies ist ein Konfigurationsbeispiel und keine feste allgemeingültige Grenze für die Cliplänge.\n\nDer Denkmodus ist standardmäßig aktiviert. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren weichen Prompt-Umschalter /think und /nothink von Qwen3 nicht offiziell. Trennen Sie bei der Darstellung eines Ergebnisses den Denkprozess vom fertigen Arbeitsergebnis und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt anzunehmen, dass Prompt-Markierungen oder Einstellungen einer anderen Generation gelten.\n\nFrühere Denkprozesse beibehalten\n\nStandardmäßig behält die Vorlage die Denkblöcke bei, die mit der jüngsten Nutzernachricht verknüpft sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Schlussfolgerungen zu verwenden, wenn preserve_thinking aktiviert ist. Das ausdrückliche Beispiel setzt diese Option auf true. Dies kann einer iterativen Agentenaufgabe helfen, den Entscheidungskontext zu erhalten, statt frühere Entscheidungen immer wieder neu herzuleiten; zugleich verändert es den Umfang des mitgeführten Verlaufs. Ob die Option verfügbar ist, hängt davon ab, ob die Oberfläche die Anleitung des Herstellers zugänglich macht.\n\nNutzung als Agent\n\nQwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent zur Konfiguration von Werkzeugen, einschließlich über MCP angeschlossener Werkzeuge. Qwen Code ist ein weiterer vom Hersteller dokumentierter Ablauf für Programmieragenten. Definieren Sie die erlaubten Werkzeuge, das Aufgabenziel und das erwartete Arbeitsergebnis, und geben Sie tatsächliche Werkzeugbeobachtungen an das Modell zurück. Das Modell kann über ein Ergebnis nachdenken und einen Plan überarbeiten; Zugriff auf Dateien oder Ausführungsumgebungen erhält es von der angeschlossenen Anwendung, nicht durch seinen Modellnamen.\n\nSehr langer Text\n\nDie dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token empfiehlt Qwen einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen. Der Hersteller empfiehlt daher eine Anpassung, wenn der längere Kontext benötigt wird. Bewahren Sie Abschnitts- und Codekennungen in einer umfangreichen Eingabe und verlangen Sie, dass das Ergebnis für jede Schlussfolgerung die stützenden Belege ausweist.\n\nEmpfehlungen zur Generierung und Grenzen\n\nFür allgemeine Aufgaben im Denkmodus empfiehlt der Hersteller temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 und repetition penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 und presence penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und presence penalty 1.5; die übrigen Werte bleiben unverändert. Höhere presence penalties können Wiederholungen reduzieren, aber auch Sprachen vermischen oder die Qualität leicht senken.\n\nQwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Fragen und 81,920 für außergewöhnlich komplexe mathematische oder Programmieraufgaben. Dies sind Empfehlungen, keine separat festgelegten harten Ausgabegrenzen. Geben Sie das endgültige Format ausdrücklich an und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität beim Schlussfolgern und langer Kontext helfen, die Belege einer Aufgabe mitzuführen; ein überprüfbares fertiges Arbeitsergebnis macht das Resultat nutzbar.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B ist Qwens Vision-Language-Modell mit Mixture-of-Experts-Architektur, insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es konzentriert sich auf Frontend- und repositoryweite Programmierung, ergänzt die optionale Beibehaltung früherer Schlussfolgerungen und verarbeitet Text, Bilder und Video mit Textausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Stärken von Qwen3.6: Programmierung und Kontinuität beim Schlussfolgern
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmierung und Agentenarbeit. Qwen hebt stärkere Frontend-Abläufe und repositoryweites Schlussfolgern sowie eine neue Option zum Beibehalten von Denkprozessen aus früheren Nachrichten hervor. Es verarbeitet Text, Bilder und Video und gibt Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes textliches Arbeitsergebnis. Bewahren Sie die genaue Identität dieser 35B-A3B-Edition, statt sie als das dichte Qwen3.6-27B oder ihr früheres Qwen3.5-Pendant zu behandeln.
Stellen Sie für eine Frontend-Aufgabe den relevanten Screenshot, die funktionalen Anforderungen und den bestehenden Codekontext bereit. Fordern Sie editierbaren Quellcode und eine Beschreibung der vorgesehenen Zustände und Interaktionen an. Benennen Sie für eine Repository-Aufgabe die betroffene Funktion, die Eingabe, die ein Problem sichtbar macht, und das erwartete Verhalten. Fordern Sie einen Patchvorschlag mit seinen Annahmen und den relevanten Prüfungen an.
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 hat 256 geroutete Experten und wählt acht geroutete Experten gemeinsam mit einem geteilten Experten aus; Multi-Token Prediction ist Teil des Trainings. Die kleinere Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Größe. Ein Vision-Encoder stellt den visuellen Teil des Modells bereit.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Für komplexe Aufgaben im Denkmodus empfiehlt der Hersteller, nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn eine Reduzierung den Speicherdruck verringern würde. Ausgangstext, visuelle Repräsentationen, frühere Nachrichten, Denkprozess und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Modellkarte zeigt Fragen zu Text, Bildern und Video. Bewahren Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Erhalten Sie bei einem Clip die Zeitinformationen und benennen Sie das gesuchte Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmäßig zwei Bilder pro Sekunde und erlaubt die Konfiguration der Abtastung. Die empfohlene Vorgehensweise erweitert das Budget des Videoprozessors auf etwa 224K Video-Token für die Analyse stundenlangen Materials mit höherer Abtastrate; dies ist ein Konfigurationsbeispiel und keine feste allgemeingültige Grenze für die Cliplänge.
Der Denkmodus ist standardmäßig aktiviert. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren weichen Prompt-Umschalter /think und /nothink von Qwen3 nicht offiziell. Trennen Sie bei der Darstellung eines Ergebnisses den Denkprozess vom fertigen Arbeitsergebnis und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt anzunehmen, dass Prompt-Markierungen oder Einstellungen einer anderen Generation gelten.
Frühere Denkprozesse beibehalten
Standardmäßig behält die Vorlage die Denkblöcke bei, die mit der jüngsten Nutzernachricht verknüpft sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Schlussfolgerungen zu verwenden, wenn preserve_thinking aktiviert ist. Das ausdrückliche Beispiel setzt diese Option auf true. Dies kann einer iterativen Agentenaufgabe helfen, den Entscheidungskontext zu erhalten, statt frühere Entscheidungen immer wieder neu herzuleiten; zugleich verändert es den Umfang des mitgeführten Verlaufs. Ob die Option verfügbar ist, hängt davon ab, ob die Oberfläche die Anleitung des Herstellers zugänglich macht.
Nutzung als Agent
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent zur Konfiguration von Werkzeugen, einschließlich über MCP angeschlossener Werkzeuge. Qwen Code ist ein weiterer vom Hersteller dokumentierter Ablauf für Programmieragenten. Definieren Sie die erlaubten Werkzeuge, das Aufgabenziel und das erwartete Arbeitsergebnis, und geben Sie tatsächliche Werkzeugbeobachtungen an das Modell zurück. Das Modell kann über ein Ergebnis nachdenken und einen Plan überarbeiten; Zugriff auf Dateien oder Ausführungsumgebungen erhält es von der angeschlossenen Anwendung, nicht durch seinen Modellnamen.
Sehr langer Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token empfiehlt Qwen einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen. Der Hersteller empfiehlt daher eine Anpassung, wenn der längere Kontext benötigt wird. Bewahren Sie Abschnitts- und Codekennungen in einer umfangreichen Eingabe und verlangen Sie, dass das Ergebnis für jede Schlussfolgerung die stützenden Belege ausweist.
Empfehlungen zur Generierung und Grenzen
Für allgemeine Aufgaben im Denkmodus empfiehlt der Hersteller temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 und repetition penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 und presence penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und presence penalty 1.5; die übrigen Werte bleiben unverändert. Höhere presence penalties können Wiederholungen reduzieren, aber auch Sprachen vermischen oder die Qualität leicht senken.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Fragen und 81,920 für außergewöhnlich komplexe mathematische oder Programmieraufgaben. Dies sind Empfehlungen, keine separat festgelegten harten Ausgabegrenzen. Geben Sie das endgültige Format ausdrücklich an und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität beim Schlussfolgern und langer Kontext helfen, die Belege einer Aufgabe mitzuführen; ein überprüfbares fertiges Arbeitsergebnis macht das Resultat nutzbar.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.6-35b-a3b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000566 / 1K Token Ausgabe · Ausgabetoken $0.00341 / 1K Token Eingabe · Cache-Lesen $0.0001 / 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 $0.000566 / 1K Token Ausgabe · Ausgabetoken $0.00341 / 1K Token Eingabe · Cache-Lesen $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B ist Qwens Vision-Language-Modell mit Mixture-of-Experts-Architektur, insgesamt 35 Milliarden und 3 Milliarden aktivierten Parametern. Es konzentriert sich auf Frontend- und repositoryweite Programmierung, ergänzt die optionale Beibehaltung früherer Schlussfolgerungen und verarbeitet Text, Bilder und Video mit Textausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Stärken von Qwen3.6: Programmierung und Kontinuität beim Schlussfolgern
Qwen3.6-35B-A3B ist ein Vision-Language-Modell mit Schwerpunkt auf nützlicher Programmierung und Agentenarbeit. Qwen hebt stärkere Frontend-Abläufe und repositoryweites Schlussfolgern sowie eine neue Option zum Beibehalten von Denkprozessen aus früheren Nachrichten hervor. Es verarbeitet Text, Bilder und Video und gibt Text zurück: eine Erklärung, einen Codevorschlag, eine strukturierte Analyse oder ein anderes angefordertes textliches Arbeitsergebnis. Bewahren Sie die genaue Identität dieser 35B-A3B-Edition, statt sie als das dichte Qwen3.6-27B oder ihr früheres Qwen3.5-Pendant zu behandeln.
Stellen Sie für eine Frontend-Aufgabe den relevanten Screenshot, die funktionalen Anforderungen und den bestehenden Codekontext bereit. Fordern Sie editierbaren Quellcode und eine Beschreibung der vorgesehenen Zustände und Interaktionen an. Benennen Sie für eine Repository-Aufgabe die betroffene Funktion, die Eingabe, die ein Problem sichtbar macht, und das erwartete Verhalten. Fordern Sie einen Patchvorschlag mit seinen Annahmen und den relevanten Prüfungen an.
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 hat 256 geroutete Experten und wählt acht geroutete Experten gemeinsam mit einem geteilten Experten aus; Multi-Token Prediction ist Teil des Trainings. Die kleinere Zahl aktivierter Parameter beschreibt nicht die vollständige Checkpoint-Größe. Ein Vision-Encoder stellt den visuellen Teil des Modells bereit.
Der native Kontext umfasst 262,144 Token, mit einer bedingten Erweiterung auf 1,010,000. Für komplexe Aufgaben im Denkmodus empfiehlt der Hersteller, nach Möglichkeit einen Kontext von mindestens 128K beizubehalten, auch wenn eine Reduzierung den Speicherdruck verringern würde. Ausgangstext, visuelle Repräsentationen, frühere Nachrichten, Denkprozess und endgültige Antwort teilen sich das konfigurierte Sequenzbudget.
Eingaben und Antwortmodi verwenden
Die Modellkarte zeigt Fragen zu Text, Bildern und Video. Bewahren Sie bei einem Diagramm oder einer Seite die Beschriftungen und definieren Sie die genaue Frage. Erhalten Sie bei einem Clip die Zeitinformationen und benennen Sie das gesuchte Ereignis. Das unterstützte Videobeispiel des Herstellers verwendet standardmäßig zwei Bilder pro Sekunde und erlaubt die Konfiguration der Abtastung. Die empfohlene Vorgehensweise erweitert das Budget des Videoprozessors auf etwa 224K Video-Token für die Analyse stundenlangen Materials mit höherer Abtastrate; dies ist ein Konfigurationsbeispiel und keine feste allgemeingültige Grenze für die Cliplänge.
Der Denkmodus ist standardmäßig aktiviert. Die Herstellereinstellung enable_thinking kann ihn für eine direkte Antwort deaktivieren. Qwen3.6 unterstützt die älteren weichen Prompt-Umschalter /think und /nothink von Qwen3 nicht offiziell. Trennen Sie bei der Darstellung eines Ergebnisses den Denkprozess vom fertigen Arbeitsergebnis und folgen Sie der eigenen Schnittstelle dieses Checkpoints, statt anzunehmen, dass Prompt-Markierungen oder Einstellungen einer anderen Generation gelten.
Frühere Denkprozesse beibehalten
Standardmäßig behält die Vorlage die Denkblöcke bei, die mit der jüngsten Nutzernachricht verknüpft sind. Qwen3.6 wurde zusätzlich darauf trainiert, frühere Schlussfolgerungen zu verwenden, wenn preserve_thinking aktiviert ist. Das ausdrückliche Beispiel setzt diese Option auf true. Dies kann einer iterativen Agentenaufgabe helfen, den Entscheidungskontext zu erhalten, statt frühere Entscheidungen immer wieder neu herzuleiten; zugleich verändert es den Umfang des mitgeführten Verlaufs. Ob die Option verfügbar ist, hängt davon ab, ob die Oberfläche die Anleitung des Herstellers zugänglich macht.
Nutzung als Agent
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent zur Konfiguration von Werkzeugen, einschließlich über MCP angeschlossener Werkzeuge. Qwen Code ist ein weiterer vom Hersteller dokumentierter Ablauf für Programmieragenten. Definieren Sie die erlaubten Werkzeuge, das Aufgabenziel und das erwartete Arbeitsergebnis, und geben Sie tatsächliche Werkzeugbeobachtungen an das Modell zurück. Das Modell kann über ein Ergebnis nachdenken und einen Plan überarbeiten; Zugriff auf Dateien oder Ausführungsumgebungen erhält es von der angeschlossenen Anwendung, nicht durch seinen Modellnamen.
Sehr langer Text
Die dokumentierte Kontexterweiterung verwendet YaRN mit den verschachtelten Positionseinstellungen des Checkpoints. Ein Faktor von vier zielt auf den Ablauf mit ungefähr einer Million Token; für Arbeitslasten mit 524,288 Token empfiehlt Qwen einen Faktor von zwei. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen. Der Hersteller empfiehlt daher eine Anpassung, wenn der längere Kontext benötigt wird. Bewahren Sie Abschnitts- und Codekennungen in einer umfangreichen Eingabe und verlangen Sie, dass das Ergebnis für jede Schlussfolgerung die stützenden Belege ausweist.
Empfehlungen zur Generierung und Grenzen
Für allgemeine Aufgaben im Denkmodus empfiehlt der Hersteller temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 und repetition penalty 1.0. Für präzise Programmierung wird temperature auf 0.6 und presence penalty auf null gesetzt. Für direkte Antworten empfiehlt er temperature 0.7, top_p 0.8 und presence penalty 1.5; die übrigen Werte bleiben unverändert. Höhere presence penalties können Wiederholungen reduzieren, aber auch Sprachen vermischen oder die Qualität leicht senken.
Qwen empfiehlt ein Generierungsbudget von 32,768 Token für die meisten Fragen und 81,920 für außergewöhnlich komplexe mathematische oder Programmieraufgaben. Dies sind Empfehlungen, keine separat festgelegten harten Ausgabegrenzen. Geben Sie das endgültige Format ausdrücklich an und prüfen Sie Code, Berechnungen und extrahierte visuelle Details anhand der Quelle. Kontinuität beim Schlussfolgern und langer Kontext helfen, die Belege einer Aufgabe mitzuführen; ein überprüfbares fertiges Arbeitsergebnis macht das Resultat nutzbar.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.6-35b-a3b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000566 / 1K Token Ausgabe · Ausgabetoken $0.00341 / 1K Token Eingabe · Cache-Lesen $0.0001 / 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 $0.000566 / 1K Token Ausgabe · Ausgabetoken $0.00341 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.