Aspectos destacados de Qwen3.5: un checkpoint disperso de lenguaje visual
Qwen3.5-35B-A3B es un modelo de lenguaje visual con entrenamiento posterior que combina comprensión de texto, imágenes y video con respuestas textuales. La familia se entrena con fusión temprana de texto y visión y aprendizaje por refuerzo en tareas progresivamente complejas, y admite razonamiento, programación, agentes y análisis visual. También describe cobertura de 201 idiomas y dialectos. Esa cobertura es una capacidad de la familia, en lugar de una promesa de calidad igual para cada idioma o tarea.
El checkpoint abierto exacto es independiente de Qwen3.5-35B-A3B-Base y de la versión posterior Qwen3.6. El fabricante también describe una oferta Flash administrada con funciones adicionales; esas funciones de interfaz no deben atribuirse automáticamente a este checkpoint abierto. Conserva la identidad 35B-A3B solicitada al comparar resultados o mantener una selección de modelo reproducible.
Descripción general del modelo
El modelo de mezcla de expertos tiene 35 mil millones de parámetros en total y activa tres mil millones. Su disposición híbrida de 40 capas repite tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. Tiene 256 expertos enrutados, con ocho expertos enrutados y un experto compartido activos en la disposición documentada. Un codificador visual y la predicción de múltiples tokens forman parte del modelo. La cantidad activada no describe el tamaño completo del checkpoint, y la arquitectura por sí sola no garantiza la latencia en una aplicación particular.
El contexto nativo es de 262,144 tokens, con una extensión condicional a 1,010,000. Qwen aconseja conservar al menos un contexto de 128K cuando sea posible para tareas complejas de pensamiento, incluso si una ventana menor reduciría la presión de memoria. El texto, el material visual representado, el historial, el razonamiento y la respuesta final necesitan espacio en la secuencia configurada.
Uso de entradas y modos de respuesta
Para una solicitud de programación basada en una captura de pantalla, proporciona la referencia visual, el contexto fuente existente, los requisitos de interacción y el artefacto editable esperado. Para una gráfica o un documento, conserva etiquetas y unidades y solicita una tabla de valores con evidencia de respaldo. Para una explicación multilingüe, indica el idioma objetivo y los términos que se deben conservar.
El pensamiento está habilitado de forma predeterminada y produce un bloque de razonamiento antes de la respuesta final. El control enable_thinking del fabricante puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos interruptores de prompt suave /think y /nothink. Su guía de historial conserva las respuestas finales sin contenido de pensamiento. Esto debe mantenerse distinto de las opciones posteriores de conservación de Qwen3.6 o de la retención predeterminada de razonamiento histórico de Qwen3.8.
Uso como agente
El fabricante documenta llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, junto con Qwen Code para trabajo orientado a repositorios. Define las operaciones permitidas, la evidencia pertinente y el entregable final. La aplicación ejecuta herramientas y proporciona sus observaciones; el modelo puede usar esa retroalimentación para revisar su análisis. Un comando planeado o un parche generado no es una acción ejecutada, y el nombre del modelo por sí solo no establece acceso a información actual o archivos.
Contexto ultralargo
La receta de extensión del fabricante usa YaRN con los ajustes posicionales intercalados del checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para tareas de 524,288 tokens. El escalado estático puede reducir el rendimiento con textos más cortos, así que debe configurarse cuando se necesite el contexto mayor. Organiza el material largo con divisiones entre documentos, identificadores de código y una pregunta clara, en lugar de llenar la ventana con evidencia sin relación.
Recomendaciones de generación
En las buenas prácticas, el pensamiento general usa temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 1.5 y penalización por repetición 1.0. 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. Para razonamiento en modo directo, las buenas prácticas indican temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Mantén separados estos ajustes predefinidos específicos de tareas; las penalizaciones por presencia mayores pueden causar mezcla de idiomas o una ligera disminución de calidad.
Las asignaciones recomendadas de generación son de 32,768 tokens para la mayoría de las preguntas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos de salida establecidos por separado. Define explícitamente la forma de la respuesta final y verifica los cálculos o el código generado contra las condiciones suministradas.
Video y límites sustantivos
El ejemplo compatible de video usa de forma predeterminada dos fotogramas por segundo. La guía del fabricante para video de duración del orden de horas amplía el presupuesto del procesador a aproximadamente 224K tokens de video para muestreo de mayor frecuencia. Eso requiere configuración y consume contexto junto con la tarea y la respuesta; no es una garantía incondicional de duración o recuerdo perfecto de eventos. Conserva las transiciones de escena pertinentes y la escritura pequeña, y solicita un resultado vinculado con la evidencia visible. El valor práctico es el ámbito conjunto de texto y visión del checkpoint y su modo de respuesta seleccionable, con un artefacto concreto que pueda revisarse.
", "aboutText": "Aspectos destacados de Qwen3.5: un checkpoint disperso de lenguaje visual\n\nQwen3.5-35B-A3B es un modelo de lenguaje visual con entrenamiento posterior que combina comprensión de texto, imágenes y video con respuestas textuales. La familia se entrena con fusión temprana de texto y visión y aprendizaje por refuerzo en tareas progresivamente complejas, y admite razonamiento, programación, agentes y análisis visual. También describe cobertura de 201 idiomas y dialectos. Esa cobertura es una capacidad de la familia, en lugar de una promesa de calidad igual para cada idioma o tarea.\n\nEl checkpoint abierto exacto es independiente de Qwen3.5-35B-A3B-Base y de la versión posterior Qwen3.6. El fabricante también describe una oferta Flash administrada con funciones adicionales; esas funciones de interfaz no deben atribuirse automáticamente a este checkpoint abierto. Conserva la identidad 35B-A3B solicitada al comparar resultados o mantener una selección de modelo reproducible.\n\nDescripción general del modelo\n\nEl modelo de mezcla de expertos tiene 35 mil millones de parámetros en total y activa tres mil millones. Su disposición híbrida de 40 capas repite tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. Tiene 256 expertos enrutados, con ocho expertos enrutados y un experto compartido activos en la disposición documentada. Un codificador visual y la predicción de múltiples tokens forman parte del modelo. La cantidad activada no describe el tamaño completo del checkpoint, y la arquitectura por sí sola no garantiza la latencia en una aplicación particular.\n\nEl contexto nativo es de 262,144 tokens, con una extensión condicional a 1,010,000. Qwen aconseja conservar al menos un contexto de 128K cuando sea posible para tareas complejas de pensamiento, incluso si una ventana menor reduciría la presión de memoria. El texto, el material visual representado, el historial, el razonamiento y la respuesta final necesitan espacio en la secuencia configurada.\n\nUso de entradas y modos de respuesta\n\nPara una solicitud de programación basada en una captura de pantalla, proporciona la referencia visual, el contexto fuente existente, los requisitos de interacción y el artefacto editable esperado. Para una gráfica o un documento, conserva etiquetas y unidades y solicita una tabla de valores con evidencia de respaldo. Para una explicación multilingüe, indica el idioma objetivo y los términos que se deben conservar.\n\nEl pensamiento está habilitado de forma predeterminada y produce un bloque de razonamiento antes de la respuesta final. El control enable_thinking del fabricante puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos interruptores de prompt suave /think y /nothink. Su guía de historial conserva las respuestas finales sin contenido de pensamiento. Esto debe mantenerse distinto de las opciones posteriores de conservación de Qwen3.6 o de la retención predeterminada de razonamiento histórico de Qwen3.8.\n\nUso como agente\n\nEl fabricante documenta llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, junto con Qwen Code para trabajo orientado a repositorios. Define las operaciones permitidas, la evidencia pertinente y el entregable final. La aplicación ejecuta herramientas y proporciona sus observaciones; el modelo puede usar esa retroalimentación para revisar su análisis. Un comando planeado o un parche generado no es una acción ejecutada, y el nombre del modelo por sí solo no establece acceso a información actual o archivos.\n\nContexto ultralargo\n\nLa receta de extensión del fabricante usa YaRN con los ajustes posicionales intercalados del checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para tareas de 524,288 tokens. El escalado estático puede reducir el rendimiento con textos más cortos, así que debe configurarse cuando se necesite el contexto mayor. Organiza el material largo con divisiones entre documentos, identificadores de código y una pregunta clara, en lugar de llenar la ventana con evidencia sin relación.\n\nRecomendaciones de generación\n\nEn las buenas prácticas, el pensamiento general usa temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 1.5 y penalización por repetición 1.0. 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. Para razonamiento en modo directo, las buenas prácticas indican temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Mantén separados estos ajustes predefinidos específicos de tareas; las penalizaciones por presencia mayores pueden causar mezcla de idiomas o una ligera disminución de calidad.\n\nLas asignaciones recomendadas de generación son de 32,768 tokens para la mayoría de las preguntas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos de salida establecidos por separado. Define explícitamente la forma de la respuesta final y verifica los cálculos o el código generado contra las condiciones suministradas.\n\nVideo y límites sustantivos\n\nEl ejemplo compatible de video usa de forma predeterminada dos fotogramas por segundo. La guía del fabricante para video de duración del orden de horas amplía el presupuesto del procesador a aproximadamente 224K tokens de video para muestreo de mayor frecuencia. Eso requiere configuración y consume contexto junto con la tarea y la respuesta; no es una garantía incondicional de duración o recuerdo perfecto de eventos. Conserva las transiciones de escena pertinentes y la escritura pequeña, y solicita un resultado vinculado con la evidencia visible. El valor práctico es el ámbito conjunto de texto y visión del checkpoint y su modo de respuesta seleccionable, con un artefacto concreto que pueda revisarse.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B es el modelo de lenguaje visual de Qwen de mezcla de expertos con 35 mil millones de parámetros totales y 3 mil millones activados. Acepta texto, imágenes y video para razonamiento, programación y trabajo asistido por herramientas, con modos de pensamiento y respuesta directa 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: un checkpoint disperso de lenguaje visual
Qwen3.5-35B-A3B es un modelo de lenguaje visual con entrenamiento posterior que combina comprensión de texto, imágenes y video con respuestas textuales. La familia se entrena con fusión temprana de texto y visión y aprendizaje por refuerzo en tareas progresivamente complejas, y admite razonamiento, programación, agentes y análisis visual. También describe cobertura de 201 idiomas y dialectos. Esa cobertura es una capacidad de la familia, en lugar de una promesa de calidad igual para cada idioma o tarea.
El checkpoint abierto exacto es independiente de Qwen3.5-35B-A3B-Base y de la versión posterior Qwen3.6. El fabricante también describe una oferta Flash administrada con funciones adicionales; esas funciones de interfaz no deben atribuirse automáticamente a este checkpoint abierto. Conserva la identidad 35B-A3B solicitada al comparar resultados o mantener una selección de modelo reproducible.
Descripción general del modelo
El modelo de mezcla de expertos tiene 35 mil millones de parámetros en total y activa tres mil millones. Su disposición híbrida de 40 capas repite tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. Tiene 256 expertos enrutados, con ocho expertos enrutados y un experto compartido activos en la disposición documentada. Un codificador visual y la predicción de múltiples tokens forman parte del modelo. La cantidad activada no describe el tamaño completo del checkpoint, y la arquitectura por sí sola no garantiza la latencia en una aplicación particular.
El contexto nativo es de 262,144 tokens, con una extensión condicional a 1,010,000. Qwen aconseja conservar al menos un contexto de 128K cuando sea posible para tareas complejas de pensamiento, incluso si una ventana menor reduciría la presión de memoria. El texto, el material visual representado, el historial, el razonamiento y la respuesta final necesitan espacio en la secuencia configurada.
Uso de entradas y modos de respuesta
Para una solicitud de programación basada en una captura de pantalla, proporciona la referencia visual, el contexto fuente existente, los requisitos de interacción y el artefacto editable esperado. Para una gráfica o un documento, conserva etiquetas y unidades y solicita una tabla de valores con evidencia de respaldo. Para una explicación multilingüe, indica el idioma objetivo y los términos que se deben conservar.
El pensamiento está habilitado de forma predeterminada y produce un bloque de razonamiento antes de la respuesta final. El control enable_thinking del fabricante puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos interruptores de prompt suave /think y /nothink. Su guía de historial conserva las respuestas finales sin contenido de pensamiento. Esto debe mantenerse distinto de las opciones posteriores de conservación de Qwen3.6 o de la retención predeterminada de razonamiento histórico de Qwen3.8.
Uso como agente
El fabricante documenta llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, junto con Qwen Code para trabajo orientado a repositorios. Define las operaciones permitidas, la evidencia pertinente y el entregable final. La aplicación ejecuta herramientas y proporciona sus observaciones; el modelo puede usar esa retroalimentación para revisar su análisis. Un comando planeado o un parche generado no es una acción ejecutada, y el nombre del modelo por sí solo no establece acceso a información actual o archivos.
Contexto ultralargo
La receta de extensión del fabricante usa YaRN con los ajustes posicionales intercalados del checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para tareas de 524,288 tokens. El escalado estático puede reducir el rendimiento con textos más cortos, así que debe configurarse cuando se necesite el contexto mayor. Organiza el material largo con divisiones entre documentos, identificadores de código y una pregunta clara, en lugar de llenar la ventana con evidencia sin relación.
Recomendaciones de generación
En las buenas prácticas, el pensamiento general usa temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 1.5 y penalización por repetición 1.0. 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. Para razonamiento en modo directo, las buenas prácticas indican temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Mantén separados estos ajustes predefinidos específicos de tareas; las penalizaciones por presencia mayores pueden causar mezcla de idiomas o una ligera disminución de calidad.
Las asignaciones recomendadas de generación son de 32,768 tokens para la mayoría de las preguntas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos de salida establecidos por separado. Define explícitamente la forma de la respuesta final y verifica los cálculos o el código generado contra las condiciones suministradas.
Video y límites sustantivos
El ejemplo compatible de video usa de forma predeterminada dos fotogramas por segundo. La guía del fabricante para video de duración del orden de horas amplía el presupuesto del procesador a aproximadamente 224K tokens de video para muestreo de mayor frecuencia. Eso requiere configuración y consume contexto junto con la tarea y la respuesta; no es una garantía incondicional de duración o recuerdo perfecto de eventos. Conserva las transiciones de escena pertinentes y la escritura pequeña, y solicita un resultado vinculado con la evidencia visible. El valor práctico es el ámbito conjunto de texto y visión del checkpoint y su modo de respuesta seleccionable, con un artefacto concreto que pueda revisarse.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokens Salida · Tokens de salida $0.00366 / 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 $0.00046 / 1K tokens Salida · Tokens de salida $0.00366 / 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/qwen3.5-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.5-35b-a3b
Usa las rutas de método indicadas arriba.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B es el modelo de lenguaje visual de Qwen de mezcla de expertos con 35 mil millones de parámetros totales y 3 mil millones activados. Acepta texto, imágenes y video para razonamiento, programación y trabajo asistido por herramientas, con modos de pensamiento y respuesta directa 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: un checkpoint disperso de lenguaje visual
Qwen3.5-35B-A3B es un modelo de lenguaje visual con entrenamiento posterior que combina comprensión de texto, imágenes y video con respuestas textuales. La familia se entrena con fusión temprana de texto y visión y aprendizaje por refuerzo en tareas progresivamente complejas, y admite razonamiento, programación, agentes y análisis visual. También describe cobertura de 201 idiomas y dialectos. Esa cobertura es una capacidad de la familia, en lugar de una promesa de calidad igual para cada idioma o tarea.
El checkpoint abierto exacto es independiente de Qwen3.5-35B-A3B-Base y de la versión posterior Qwen3.6. El fabricante también describe una oferta Flash administrada con funciones adicionales; esas funciones de interfaz no deben atribuirse automáticamente a este checkpoint abierto. Conserva la identidad 35B-A3B solicitada al comparar resultados o mantener una selección de modelo reproducible.
Descripción general del modelo
El modelo de mezcla de expertos tiene 35 mil millones de parámetros en total y activa tres mil millones. Su disposición híbrida de 40 capas repite tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. Tiene 256 expertos enrutados, con ocho expertos enrutados y un experto compartido activos en la disposición documentada. Un codificador visual y la predicción de múltiples tokens forman parte del modelo. La cantidad activada no describe el tamaño completo del checkpoint, y la arquitectura por sí sola no garantiza la latencia en una aplicación particular.
El contexto nativo es de 262,144 tokens, con una extensión condicional a 1,010,000. Qwen aconseja conservar al menos un contexto de 128K cuando sea posible para tareas complejas de pensamiento, incluso si una ventana menor reduciría la presión de memoria. El texto, el material visual representado, el historial, el razonamiento y la respuesta final necesitan espacio en la secuencia configurada.
Uso de entradas y modos de respuesta
Para una solicitud de programación basada en una captura de pantalla, proporciona la referencia visual, el contexto fuente existente, los requisitos de interacción y el artefacto editable esperado. Para una gráfica o un documento, conserva etiquetas y unidades y solicita una tabla de valores con evidencia de respaldo. Para una explicación multilingüe, indica el idioma objetivo y los términos que se deben conservar.
El pensamiento está habilitado de forma predeterminada y produce un bloque de razonamiento antes de la respuesta final. El control enable_thinking del fabricante puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos interruptores de prompt suave /think y /nothink. Su guía de historial conserva las respuestas finales sin contenido de pensamiento. Esto debe mantenerse distinto de las opciones posteriores de conservación de Qwen3.6 o de la retención predeterminada de razonamiento histórico de Qwen3.8.
Uso como agente
El fabricante documenta llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, junto con Qwen Code para trabajo orientado a repositorios. Define las operaciones permitidas, la evidencia pertinente y el entregable final. La aplicación ejecuta herramientas y proporciona sus observaciones; el modelo puede usar esa retroalimentación para revisar su análisis. Un comando planeado o un parche generado no es una acción ejecutada, y el nombre del modelo por sí solo no establece acceso a información actual o archivos.
Contexto ultralargo
La receta de extensión del fabricante usa YaRN con los ajustes posicionales intercalados del checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para tareas de 524,288 tokens. El escalado estático puede reducir el rendimiento con textos más cortos, así que debe configurarse cuando se necesite el contexto mayor. Organiza el material largo con divisiones entre documentos, identificadores de código y una pregunta clara, en lugar de llenar la ventana con evidencia sin relación.
Recomendaciones de generación
En las buenas prácticas, el pensamiento general usa temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 1.5 y penalización por repetición 1.0. 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. Para razonamiento en modo directo, las buenas prácticas indican temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Mantén separados estos ajustes predefinidos específicos de tareas; las penalizaciones por presencia mayores pueden causar mezcla de idiomas o una ligera disminución de calidad.
Las asignaciones recomendadas de generación son de 32,768 tokens para la mayoría de las preguntas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos de salida establecidos por separado. Define explícitamente la forma de la respuesta final y verifica los cálculos o el código generado contra las condiciones suministradas.
Video y límites sustantivos
El ejemplo compatible de video usa de forma predeterminada dos fotogramas por segundo. La guía del fabricante para video de duración del orden de horas amplía el presupuesto del procesador a aproximadamente 224K tokens de video para muestreo de mayor frecuencia. Eso requiere configuración y consume contexto junto con la tarea y la respuesta; no es una garantía incondicional de duración o recuerdo perfecto de eventos. Conserva las transiciones de escena pertinentes y la escritura pequeña, y solicita un resultado vinculado con la evidencia visible. El valor práctico es el ámbito conjunto de texto y visión del checkpoint y su modo de respuesta seleccionable, con un artefacto concreto que pueda revisarse.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokens Salida · Tokens de salida $0.00366 / 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 $0.00046 / 1K tokens Salida · Tokens de salida $0.00366 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.5-35b-a3b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.