Aspectos destacados de Qwen3.5 en la edición densa 27B
Qwen3.5-27B es un modelo denso de lenguaje visual con entrenamiento posterior. El texto, las imágenes y el video pueden participar en una misma tarea, mientras que el resultado es texto: una explicación, propuesta de código, información extraída u otro artefacto solicitado. La fusión temprana de entrenamiento textual y visual de la familia desarrolla capacidades de razonamiento, programación, agentes y visión, con aprendizaje por refuerzo en tareas cada vez más complejas y compatibilidad con 201 idiomas y dialectos.
Esa cobertura lingüística ayuda a plantear tareas multilingües, pero no garantiza fiabilidad idéntica para cada dialecto o vocabulario especializado. Proporciona el idioma objetivo, la audiencia y los términos que deben permanecer sin cambios. Para una comparación de documentos entre idiomas, etiqueta cada fuente y solicita un resultado organizado por los hechos o las preguntas que deban compararse.
Descripción general del modelo
La edición exacta 27B es densa, con 64 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida alterna grupos de tres capas Gated DeltaNet y una capa de atención con compuertas, usando redes densas de propagación hacia adelante. La predicción de múltiples tokens se incluye en el entrenamiento. La arquitectura de mezcla dispersa de expertos descrita para otros tamaños de Qwen3.5 no debe atribuirse a este modelo; su identidad de 27 mil millones de parámetros es su propia especificación de checkpoint.
El contexto nativo es de 262,144 tokens, con extensión condicional a 1,010,000. Qwen recomienda conservar al menos un contexto de 128K cuando sea posible para tareas complejas de pensamiento, y permite ajustes menores cuando las restricciones de memoria los requieran. Esta es una orientación de configuración, en lugar de evidencia de que todas las interfaces expongan el contexto completo. El texto fuente, los tokens visuales, el historial, el razonamiento y la respuesta comparten la asignación de secuencia.
Preparación de texto y material visual
Para un documento técnico, conserva los identificadores de secciones y pide una tabla de requisitos o una explicación respaldada por esas secciones. Para un diagrama, conserva las etiquetas y proporciona definiciones que no estén visibles en la imagen. Para una tarea de código, proporciona la función pertinente, el comportamiento observado y el resultado requerido. Una respuesta útil debe identificar la evidencia usada, separar los supuestos y devolver el artefacto final en una forma revisable.
Para una pregunta de video, identifica el evento o la secuencia que importan y conserva los tiempos y el orden de los fotogramas. El ejemplo del fabricante usa dos fotogramas por segundo en su flujo compatible. Su guía para video largo recomienda un presupuesto mayor del procesador, correspondiente a aproximadamente 224K tokens de video, para análisis de mayor frecuencia y duración del orden de horas. Esos ajustes requieren configuración y no establecen una garantía universal de duración ni de marcas de tiempo exactas de eventos.
Pensamiento y respuestas directas
El pensamiento está habilitado de forma predeterminada y precede a la respuesta final. enable_thinking puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos marcadores de prompt /think y /nothink. El fabricante recomienda conservar solo el texto de respuesta final en los mensajes históricos del asistente, en lugar del contenido de pensamiento. Este es el contrato de Qwen3.5 y debe mantenerse separado del comportamiento de conservación de razonamiento histórico documentado para versiones posteriores.
Elige una forma final antes de enviar la tarea: una conclusión breve con valores que la respalden, una tabla de campos extraídos o un parche de código explicado. Una respuesta directa sigue siendo una respuesta generada que debe revisarse; una transcripción extensa de pensamiento no es evidencia independiente de que su conclusión sea correcta.
Uso como agente
El fabricante admite llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, además de Qwen Code para flujos de agentes de programación. Da un papel claro a las herramientas de la aplicación y devuelve sus observaciones reales al modelo. El modelo puede planear y revisar usando esa retroalimentación, mientras que la aplicación realiza las acciones. La compatibilidad con herramientas no establece por sí sola acceso integrado a internet, archivos o un entorno de ejecución de código mediante todas las interfaces.
Texto ultralargo
La extensión usa YaRN con la propia configuración posicional del checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para 524,288 tokens. El escalado estático puede reducir la calidad con texto más corto, por lo que el fabricante lo recomienda cuando se necesite realmente el contexto mayor. Mantén organizado el material largo y reserva espacio para la respuesta requerida, en lugar de interpretar la cifra mayor de contexto como recuerdo ilimitado de documentos.
Orientación de generación y límites
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 1.5 y penalización por repetición 1.0 para pensamiento general. La programación precisa usa temperatura 0.6 y penalización por presencia cero. Las respuestas directas generales usan temperatura 0.7, top_p 0.8 y penalización por presencia 1.5; top_k es 20, min_p es 0 y la penalización por repetición es 1.0. El razonamiento con respuesta directa usa el ajuste predefinido independiente de buenas prácticas de temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Las penalizaciones por presencia mayores pueden mezclar idiomas o disminuir ligeramente la calidad.
Los presupuestos recomendados de generación son de 32,768 tokens para la mayoría de las tareas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos independientes de salida. Indica explícitamente el esquema o delimitador de respuesta y verifica el código, los cálculos, las citas y los detalles visuales contra la fuente. El resultado útil es un artefacto textual concreto con la identidad densa exacta 27B, las entradas y el modo de respuesta preservados.
", "aboutText": "Aspectos destacados de Qwen3.5 en la edición densa 27B\n\nQwen3.5-27B es un modelo denso de lenguaje visual con entrenamiento posterior. El texto, las imágenes y el video pueden participar en una misma tarea, mientras que el resultado es texto: una explicación, propuesta de código, información extraída u otro artefacto solicitado. La fusión temprana de entrenamiento textual y visual de la familia desarrolla capacidades de razonamiento, programación, agentes y visión, con aprendizaje por refuerzo en tareas cada vez más complejas y compatibilidad con 201 idiomas y dialectos.\n\nEsa cobertura lingüística ayuda a plantear tareas multilingües, pero no garantiza fiabilidad idéntica para cada dialecto o vocabulario especializado. Proporciona el idioma objetivo, la audiencia y los términos que deben permanecer sin cambios. Para una comparación de documentos entre idiomas, etiqueta cada fuente y solicita un resultado organizado por los hechos o las preguntas que deban compararse.\n\nDescripción general del modelo\n\nLa edición exacta 27B es densa, con 64 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida alterna grupos de tres capas Gated DeltaNet y una capa de atención con compuertas, usando redes densas de propagación hacia adelante. La predicción de múltiples tokens se incluye en el entrenamiento. La arquitectura de mezcla dispersa de expertos descrita para otros tamaños de Qwen3.5 no debe atribuirse a este modelo; su identidad de 27 mil millones de parámetros es su propia especificación de checkpoint.\n\nEl contexto nativo es de 262,144 tokens, con extensión condicional a 1,010,000. Qwen recomienda conservar al menos un contexto de 128K cuando sea posible para tareas complejas de pensamiento, y permite ajustes menores cuando las restricciones de memoria los requieran. Esta es una orientación de configuración, en lugar de evidencia de que todas las interfaces expongan el contexto completo. El texto fuente, los tokens visuales, el historial, el razonamiento y la respuesta comparten la asignación de secuencia.\n\nPreparación de texto y material visual\n\nPara un documento técnico, conserva los identificadores de secciones y pide una tabla de requisitos o una explicación respaldada por esas secciones. Para un diagrama, conserva las etiquetas y proporciona definiciones que no estén visibles en la imagen. Para una tarea de código, proporciona la función pertinente, el comportamiento observado y el resultado requerido. Una respuesta útil debe identificar la evidencia usada, separar los supuestos y devolver el artefacto final en una forma revisable.\n\nPara una pregunta de video, identifica el evento o la secuencia que importan y conserva los tiempos y el orden de los fotogramas. El ejemplo del fabricante usa dos fotogramas por segundo en su flujo compatible. Su guía para video largo recomienda un presupuesto mayor del procesador, correspondiente a aproximadamente 224K tokens de video, para análisis de mayor frecuencia y duración del orden de horas. Esos ajustes requieren configuración y no establecen una garantía universal de duración ni de marcas de tiempo exactas de eventos.\n\nPensamiento y respuestas directas\n\nEl pensamiento está habilitado de forma predeterminada y precede a la respuesta final. enable_thinking puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos marcadores de prompt /think y /nothink. El fabricante recomienda conservar solo el texto de respuesta final en los mensajes históricos del asistente, en lugar del contenido de pensamiento. Este es el contrato de Qwen3.5 y debe mantenerse separado del comportamiento de conservación de razonamiento histórico documentado para versiones posteriores.\n\nElige una forma final antes de enviar la tarea: una conclusión breve con valores que la respalden, una tabla de campos extraídos o un parche de código explicado. Una respuesta directa sigue siendo una respuesta generada que debe revisarse; una transcripción extensa de pensamiento no es evidencia independiente de que su conclusión sea correcta.\n\nUso como agente\n\nEl fabricante admite llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, además de Qwen Code para flujos de agentes de programación. Da un papel claro a las herramientas de la aplicación y devuelve sus observaciones reales al modelo. El modelo puede planear y revisar usando esa retroalimentación, mientras que la aplicación realiza las acciones. La compatibilidad con herramientas no establece por sí sola acceso integrado a internet, archivos o un entorno de ejecución de código mediante todas las interfaces.\n\nTexto ultralargo\n\nLa extensión usa YaRN con la propia configuración posicional del checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para 524,288 tokens. El escalado estático puede reducir la calidad con texto más corto, por lo que el fabricante lo recomienda cuando se necesite realmente el contexto mayor. Mantén organizado el material largo y reserva espacio para la respuesta requerida, en lugar de interpretar la cifra mayor de contexto como recuerdo ilimitado de documentos.\n\nOrientación de generación y límites\n\nLas buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 1.5 y penalización por repetición 1.0 para pensamiento general. La programación precisa usa temperatura 0.6 y penalización por presencia cero. Las respuestas directas generales usan temperatura 0.7, top_p 0.8 y penalización por presencia 1.5; top_k es 20, min_p es 0 y la penalización por repetición es 1.0. El razonamiento con respuesta directa usa el ajuste predefinido independiente de buenas prácticas de temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Las penalizaciones por presencia mayores pueden mezclar idiomas o disminuir ligeramente la calidad.\n\nLos presupuestos recomendados de generación son de 32,768 tokens para la mayoría de las tareas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos independientes de salida. Indica explícitamente el esquema o delimitador de respuesta y verifica el código, los cálculos, las citas y los detalles visuales contra la fuente. El resultado útil es un artefacto textual concreto con la identidad densa exacta 27B, las entradas y el modo de respuesta preservados.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B es el modelo denso de lenguaje visual de Qwen de 27 mil millones de parámetros para texto, imágenes y video, con salida textual. Admite razonamiento, programación, trabajo asistido por herramientas y tareas multilingües, con pensamiento seleccionable y un contexto nativo de 262,144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.5 en la edición densa 27B
Qwen3.5-27B es un modelo denso de lenguaje visual con entrenamiento posterior. El texto, las imágenes y el video pueden participar en una misma tarea, mientras que el resultado es texto: una explicación, propuesta de código, información extraída u otro artefacto solicitado. La fusión temprana de entrenamiento textual y visual de la familia desarrolla capacidades de razonamiento, programación, agentes y visión, con aprendizaje por refuerzo en tareas cada vez más complejas y compatibilidad con 201 idiomas y dialectos.
Esa cobertura lingüística ayuda a plantear tareas multilingües, pero no garantiza fiabilidad idéntica para cada dialecto o vocabulario especializado. Proporciona el idioma objetivo, la audiencia y los términos que deben permanecer sin cambios. Para una comparación de documentos entre idiomas, etiqueta cada fuente y solicita un resultado organizado por los hechos o las preguntas que deban compararse.
Descripción general del modelo
La edición exacta 27B es densa, con 64 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida alterna grupos de tres capas Gated DeltaNet y una capa de atención con compuertas, usando redes densas de propagación hacia adelante. La predicción de múltiples tokens se incluye en el entrenamiento. La arquitectura de mezcla dispersa de expertos descrita para otros tamaños de Qwen3.5 no debe atribuirse a este modelo; su identidad de 27 mil millones de parámetros es su propia especificación de checkpoint.
El contexto nativo es de 262,144 tokens, con extensión condicional a 1,010,000. Qwen recomienda conservar al menos un contexto de 128K cuando sea posible para tareas complejas de pensamiento, y permite ajustes menores cuando las restricciones de memoria los requieran. Esta es una orientación de configuración, en lugar de evidencia de que todas las interfaces expongan el contexto completo. El texto fuente, los tokens visuales, el historial, el razonamiento y la respuesta comparten la asignación de secuencia.
Preparación de texto y material visual
Para un documento técnico, conserva los identificadores de secciones y pide una tabla de requisitos o una explicación respaldada por esas secciones. Para un diagrama, conserva las etiquetas y proporciona definiciones que no estén visibles en la imagen. Para una tarea de código, proporciona la función pertinente, el comportamiento observado y el resultado requerido. Una respuesta útil debe identificar la evidencia usada, separar los supuestos y devolver el artefacto final en una forma revisable.
Para una pregunta de video, identifica el evento o la secuencia que importan y conserva los tiempos y el orden de los fotogramas. El ejemplo del fabricante usa dos fotogramas por segundo en su flujo compatible. Su guía para video largo recomienda un presupuesto mayor del procesador, correspondiente a aproximadamente 224K tokens de video, para análisis de mayor frecuencia y duración del orden de horas. Esos ajustes requieren configuración y no establecen una garantía universal de duración ni de marcas de tiempo exactas de eventos.
Pensamiento y respuestas directas
El pensamiento está habilitado de forma predeterminada y precede a la respuesta final. enable_thinking puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos marcadores de prompt /think y /nothink. El fabricante recomienda conservar solo el texto de respuesta final en los mensajes históricos del asistente, en lugar del contenido de pensamiento. Este es el contrato de Qwen3.5 y debe mantenerse separado del comportamiento de conservación de razonamiento histórico documentado para versiones posteriores.
Elige una forma final antes de enviar la tarea: una conclusión breve con valores que la respalden, una tabla de campos extraídos o un parche de código explicado. Una respuesta directa sigue siendo una respuesta generada que debe revisarse; una transcripción extensa de pensamiento no es evidencia independiente de que su conclusión sea correcta.
Uso como agente
El fabricante admite llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, además de Qwen Code para flujos de agentes de programación. Da un papel claro a las herramientas de la aplicación y devuelve sus observaciones reales al modelo. El modelo puede planear y revisar usando esa retroalimentación, mientras que la aplicación realiza las acciones. La compatibilidad con herramientas no establece por sí sola acceso integrado a internet, archivos o un entorno de ejecución de código mediante todas las interfaces.
Texto ultralargo
La extensión usa YaRN con la propia configuración posicional del checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para 524,288 tokens. El escalado estático puede reducir la calidad con texto más corto, por lo que el fabricante lo recomienda cuando se necesite realmente el contexto mayor. Mantén organizado el material largo y reserva espacio para la respuesta requerida, en lugar de interpretar la cifra mayor de contexto como recuerdo ilimitado de documentos.
Orientación de generación y límites
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 1.5 y penalización por repetición 1.0 para pensamiento general. La programación precisa usa temperatura 0.6 y penalización por presencia cero. Las respuestas directas generales usan temperatura 0.7, top_p 0.8 y penalización por presencia 1.5; top_k es 20, min_p es 0 y la penalización por repetición es 1.0. El razonamiento con respuesta directa usa el ajuste predefinido independiente de buenas prácticas de temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Las penalizaciones por presencia mayores pueden mezclar idiomas o disminuir ligeramente la calidad.
Los presupuestos recomendados de generación son de 32,768 tokens para la mayoría de las tareas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos independientes de salida. Indica explícitamente el esquema o delimitador de respuesta y verifica el código, los cálculos, las citas y los detalles visuales contra la fuente. El resultado útil es un artefacto textual concreto con la identidad densa exacta 27B, las entradas y el modo de respuesta preservados.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-27b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00052 / 1K tokens Salida · Tokens de salida $0.00412 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00052 / 1K tokens Salida · Tokens de salida $0.00412 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-27b", "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/qwen3.5-27b',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/qwen3.5-27b',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen3.5-27b
Usa las rutas de método indicadas arriba.
qwen/qwen3.5-27bQwen3.5-27B es el modelo denso de lenguaje visual de Qwen de 27 mil millones de parámetros para texto, imágenes y video, con salida textual. Admite razonamiento, programación, trabajo asistido por herramientas y tareas multilingües, con pensamiento seleccionable y un contexto nativo de 262,144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.5 en la edición densa 27B
Qwen3.5-27B es un modelo denso de lenguaje visual con entrenamiento posterior. El texto, las imágenes y el video pueden participar en una misma tarea, mientras que el resultado es texto: una explicación, propuesta de código, información extraída u otro artefacto solicitado. La fusión temprana de entrenamiento textual y visual de la familia desarrolla capacidades de razonamiento, programación, agentes y visión, con aprendizaje por refuerzo en tareas cada vez más complejas y compatibilidad con 201 idiomas y dialectos.
Esa cobertura lingüística ayuda a plantear tareas multilingües, pero no garantiza fiabilidad idéntica para cada dialecto o vocabulario especializado. Proporciona el idioma objetivo, la audiencia y los términos que deben permanecer sin cambios. Para una comparación de documentos entre idiomas, etiqueta cada fuente y solicita un resultado organizado por los hechos o las preguntas que deban compararse.
Descripción general del modelo
La edición exacta 27B es densa, con 64 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida alterna grupos de tres capas Gated DeltaNet y una capa de atención con compuertas, usando redes densas de propagación hacia adelante. La predicción de múltiples tokens se incluye en el entrenamiento. La arquitectura de mezcla dispersa de expertos descrita para otros tamaños de Qwen3.5 no debe atribuirse a este modelo; su identidad de 27 mil millones de parámetros es su propia especificación de checkpoint.
El contexto nativo es de 262,144 tokens, con extensión condicional a 1,010,000. Qwen recomienda conservar al menos un contexto de 128K cuando sea posible para tareas complejas de pensamiento, y permite ajustes menores cuando las restricciones de memoria los requieran. Esta es una orientación de configuración, en lugar de evidencia de que todas las interfaces expongan el contexto completo. El texto fuente, los tokens visuales, el historial, el razonamiento y la respuesta comparten la asignación de secuencia.
Preparación de texto y material visual
Para un documento técnico, conserva los identificadores de secciones y pide una tabla de requisitos o una explicación respaldada por esas secciones. Para un diagrama, conserva las etiquetas y proporciona definiciones que no estén visibles en la imagen. Para una tarea de código, proporciona la función pertinente, el comportamiento observado y el resultado requerido. Una respuesta útil debe identificar la evidencia usada, separar los supuestos y devolver el artefacto final en una forma revisable.
Para una pregunta de video, identifica el evento o la secuencia que importan y conserva los tiempos y el orden de los fotogramas. El ejemplo del fabricante usa dos fotogramas por segundo en su flujo compatible. Su guía para video largo recomienda un presupuesto mayor del procesador, correspondiente a aproximadamente 224K tokens de video, para análisis de mayor frecuencia y duración del orden de horas. Esos ajustes requieren configuración y no establecen una garantía universal de duración ni de marcas de tiempo exactas de eventos.
Pensamiento y respuestas directas
El pensamiento está habilitado de forma predeterminada y precede a la respuesta final. enable_thinking puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos marcadores de prompt /think y /nothink. El fabricante recomienda conservar solo el texto de respuesta final en los mensajes históricos del asistente, en lugar del contenido de pensamiento. Este es el contrato de Qwen3.5 y debe mantenerse separado del comportamiento de conservación de razonamiento histórico documentado para versiones posteriores.
Elige una forma final antes de enviar la tarea: una conclusión breve con valores que la respalden, una tabla de campos extraídos o un parche de código explicado. Una respuesta directa sigue siendo una respuesta generada que debe revisarse; una transcripción extensa de pensamiento no es evidencia independiente de que su conclusión sea correcta.
Uso como agente
El fabricante admite llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, además de Qwen Code para flujos de agentes de programación. Da un papel claro a las herramientas de la aplicación y devuelve sus observaciones reales al modelo. El modelo puede planear y revisar usando esa retroalimentación, mientras que la aplicación realiza las acciones. La compatibilidad con herramientas no establece por sí sola acceso integrado a internet, archivos o un entorno de ejecución de código mediante todas las interfaces.
Texto ultralargo
La extensión usa YaRN con la propia configuración posicional del checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para 524,288 tokens. El escalado estático puede reducir la calidad con texto más corto, por lo que el fabricante lo recomienda cuando se necesite realmente el contexto mayor. Mantén organizado el material largo y reserva espacio para la respuesta requerida, en lugar de interpretar la cifra mayor de contexto como recuerdo ilimitado de documentos.
Orientación de generación y límites
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 1.5 y penalización por repetición 1.0 para pensamiento general. La programación precisa usa temperatura 0.6 y penalización por presencia cero. Las respuestas directas generales usan temperatura 0.7, top_p 0.8 y penalización por presencia 1.5; top_k es 20, min_p es 0 y la penalización por repetición es 1.0. El razonamiento con respuesta directa usa el ajuste predefinido independiente de buenas prácticas de temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Las penalizaciones por presencia mayores pueden mezclar idiomas o disminuir ligeramente la calidad.
Los presupuestos recomendados de generación son de 32,768 tokens para la mayoría de las tareas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos independientes de salida. Indica explícitamente el esquema o delimitador de respuesta y verifica el código, los cálculos, las citas y los detalles visuales contra la fuente. El resultado útil es un artefacto textual concreto con la identidad densa exacta 27B, las entradas y el modo de respuesta preservados.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-27b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00052 / 1K tokens Salida · Tokens de salida $0.00412 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00052 / 1K tokens Salida · Tokens de salida $0.00412 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-27b', '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/qwen3.5-27b', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen3.5-27b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.