Aspectos destacados de Qwen3.5 en la edición densa 9B
Qwen3.5-9B es el checkpoint denso de lenguaje visual de 9 mil millones de parámetros con entrenamiento posterior. Acepta texto, imágenes y video y devuelve texto. La familia reúne razonamiento, programación, agentes y comprensión visual mediante fusión temprana de entrenamiento textual y visual, aprendizaje por refuerzo en tareas progresivamente complejas y compatibilidad con 201 idiomas y dialectos. Esa cobertura lingüística es una capacidad de la familia, no una garantía de fiabilidad idéntica para cada idioma o tema.
Para trabajo documental multilingüe, indica el idioma objetivo, conserva los términos técnicos y pide que el resultado identifique los campos o pasajes fuente que utiliza. Para una pregunta visual, proporciona una imagen legible y una tarea precisa. Para una solicitud pequeña de programación, proporciona la entrada, el comportamiento deseado y el código pertinente. El modelo no genera imágenes o videos al analizar material visual.
Descripción general del modelo
Este modelo 9B exacto es denso, con 32 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida repite tres capas Gated DeltaNet seguidas de una capa de atención con compuertas, usando redes densas de propagación hacia adelante. La predicción de múltiples tokens se incluye en el entrenamiento. La familia también contiene modelos de expertos dispersos, pero sus descripciones de parámetros totales frente a activados no deben aplicarse a esta edición densa.
El contexto nativo es de 262,144 tokens, con una extensión condicional a 1,010,000. La configuración y el tamaño numérico del modelo deben mantenerse separados de su checkpoint Base, otros tamaños de Qwen3.5 y compilaciones cuantizadas. Una cantidad menor de parámetros identifica la edición; no establece por sí sola un tiempo de respuesta universal ni una clasificación de calidad. Para tareas complejas de pensamiento, Qwen recomienda conservar un contexto configurado de al menos 128K tokens cuando sea posible.
Entradas y modos de respuesta
El fabricante muestra preguntas solo de texto, de imágenes y de video. Proporciona una pregunta documental con la página pertinente y los campos esperados, o una pregunta de video con el evento y el rango de tiempo que importan. Conserva las etiquetas, las unidades y el orden de los fotogramas. Solicita un resultado que pueda compararse con la fuente, como una tabla de valores extraídos o una explicación que cite la evidencia visible.
El pensamiento está habilitado de forma predeterminada. enable_thinking puede desactivar el razonamiento para una respuesta directa, mientras que los antiguos interruptores de prompt suave /think y /nothink no se admiten oficialmente. Usa la plantilla del fabricante y mantén el razonamiento separado del texto final cuando la interfaz proporcione ambos. La recomendación de historial de Qwen3.5 es conservar las respuestas finales sin su contenido de pensamiento; no debe importarse a esta versión el comportamiento más reciente de conservación histórica.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent, incluidas herramientas configuradas o conectadas mediante MCP, y Qwen Code para trabajo de agentes de programación. Indica las herramientas permitidas y el resultado observable. Una herramienta conectada puede proporcionar un cálculo, recuperación de fuentes o retroalimentación real de ejecución; el modelo puede usar entonces esa información en su respuesta. Las herramientas y las acciones externas pertenecen a la aplicación, por lo que el nombre del modelo por sí solo no establece acceso ni ejecución.
Texto ultralargo
La extensión documentada usa YaRN con los propios ajustes posicionales de este checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; para 524,288 tokens, el fabricante sugiere un factor de dos. El escalado estático puede afectar el rendimiento con textos más cortos, por lo que debe seguir la necesidad real de un contexto más largo. La entrada, la representación visual, el historial, el razonamiento y la salida final comparten el presupuesto de secuencia. Organiza el material largo por identificador de documento o código y deja espacio para el artefacto solicitado.
Recomendaciones de generación
Las buenas prácticas de la ficha distinguen varios ajustes predefinidos. 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 tareas de razonamiento con respuesta directa, las buenas prácticas recomiendan en cambio temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Son recetas específicas de tareas, no valores para mezclar indiscriminadamente. Las penalizaciones por presencia mayores pueden causar mezcla de idiomas o una ligera disminución de calidad.
Qwen recomienda una asignación de generación de 32,768 tokens para la mayoría de las consultas y de 81,920 para preguntas matemáticas o de programación excepcionalmente complejas. Son recomendaciones, en lugar de límites estrictos independientes de salida. Especifica el formato de respuesta, como un resultado matemático delimitado o un campo de respuesta, y verifica la conclusión contra la fuente.
Detalle de video y límites sustantivos
El ejemplo de video del fabricante usa de forma predeterminada dos fotogramas por segundo en su flujo compatible. Su guía para duraciones del orden de horas amplía el presupuesto del procesador de video a aproximadamente 224K tokens de video para muestreo de mayor frecuencia. Son ejemplos dependientes de la configuración, no una garantía universal de duración o tiempos de eventos. Mantén legibles la escritura pequeña y las transiciones importantes de escena, y verifica el texto extraído, los cálculos y el código generado antes de usar el resultado. El valor práctico de la edición 9B es su ámbito documentado de tareas conjuntas de texto y visión y su modo controlable de respuesta, conservando su identidad densa exacta.
", "aboutText": "Aspectos destacados de Qwen3.5 en la edición densa 9B\n\nQwen3.5-9B es el checkpoint denso de lenguaje visual de 9 mil millones de parámetros con entrenamiento posterior. Acepta texto, imágenes y video y devuelve texto. La familia reúne razonamiento, programación, agentes y comprensión visual mediante fusión temprana de entrenamiento textual y visual, aprendizaje por refuerzo en tareas progresivamente complejas y compatibilidad con 201 idiomas y dialectos. Esa cobertura lingüística es una capacidad de la familia, no una garantía de fiabilidad idéntica para cada idioma o tema.\n\nPara trabajo documental multilingüe, indica el idioma objetivo, conserva los términos técnicos y pide que el resultado identifique los campos o pasajes fuente que utiliza. Para una pregunta visual, proporciona una imagen legible y una tarea precisa. Para una solicitud pequeña de programación, proporciona la entrada, el comportamiento deseado y el código pertinente. El modelo no genera imágenes o videos al analizar material visual.\n\nDescripción general del modelo\n\nEste modelo 9B exacto es denso, con 32 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida repite tres capas Gated DeltaNet seguidas de una capa de atención con compuertas, usando redes densas de propagación hacia adelante. La predicción de múltiples tokens se incluye en el entrenamiento. La familia también contiene modelos de expertos dispersos, pero sus descripciones de parámetros totales frente a activados no deben aplicarse a esta edición densa.\n\nEl contexto nativo es de 262,144 tokens, con una extensión condicional a 1,010,000. La configuración y el tamaño numérico del modelo deben mantenerse separados de su checkpoint Base, otros tamaños de Qwen3.5 y compilaciones cuantizadas. Una cantidad menor de parámetros identifica la edición; no establece por sí sola un tiempo de respuesta universal ni una clasificación de calidad. Para tareas complejas de pensamiento, Qwen recomienda conservar un contexto configurado de al menos 128K tokens cuando sea posible.\n\nEntradas y modos de respuesta\n\nEl fabricante muestra preguntas solo de texto, de imágenes y de video. Proporciona una pregunta documental con la página pertinente y los campos esperados, o una pregunta de video con el evento y el rango de tiempo que importan. Conserva las etiquetas, las unidades y el orden de los fotogramas. Solicita un resultado que pueda compararse con la fuente, como una tabla de valores extraídos o una explicación que cite la evidencia visible.\n\nEl pensamiento está habilitado de forma predeterminada. enable_thinking puede desactivar el razonamiento para una respuesta directa, mientras que los antiguos interruptores de prompt suave /think y /nothink no se admiten oficialmente. Usa la plantilla del fabricante y mantén el razonamiento separado del texto final cuando la interfaz proporcione ambos. La recomendación de historial de Qwen3.5 es conservar las respuestas finales sin su contenido de pensamiento; no debe importarse a esta versión el comportamiento más reciente de conservación histórica.\n\nUso como agente\n\nQwen documenta llamadas a herramientas y recomienda Qwen-Agent, incluidas herramientas configuradas o conectadas mediante MCP, y Qwen Code para trabajo de agentes de programación. Indica las herramientas permitidas y el resultado observable. Una herramienta conectada puede proporcionar un cálculo, recuperación de fuentes o retroalimentación real de ejecución; el modelo puede usar entonces esa información en su respuesta. Las herramientas y las acciones externas pertenecen a la aplicación, por lo que el nombre del modelo por sí solo no establece acceso ni ejecución.\n\nTexto ultralargo\n\nLa extensión documentada usa YaRN con los propios ajustes posicionales de este checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; para 524,288 tokens, el fabricante sugiere un factor de dos. El escalado estático puede afectar el rendimiento con textos más cortos, por lo que debe seguir la necesidad real de un contexto más largo. La entrada, la representación visual, el historial, el razonamiento y la salida final comparten el presupuesto de secuencia. Organiza el material largo por identificador de documento o código y deja espacio para el artefacto solicitado.\n\nRecomendaciones de generación\n\nLas buenas prácticas de la ficha distinguen varios ajustes predefinidos. 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 tareas de razonamiento con respuesta directa, las buenas prácticas recomiendan en cambio temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Son recetas específicas de tareas, no valores para mezclar indiscriminadamente. Las penalizaciones por presencia mayores pueden causar mezcla de idiomas o una ligera disminución de calidad.\n\nQwen recomienda una asignación de generación de 32,768 tokens para la mayoría de las consultas y de 81,920 para preguntas matemáticas o de programación excepcionalmente complejas. Son recomendaciones, en lugar de límites estrictos independientes de salida. Especifica el formato de respuesta, como un resultado matemático delimitado o un campo de respuesta, y verifica la conclusión contra la fuente.\n\nDetalle de video y límites sustantivos\n\nEl ejemplo de video del fabricante usa de forma predeterminada dos fotogramas por segundo en su flujo compatible. Su guía para duraciones del orden de horas amplía el presupuesto del procesador de video a aproximadamente 224K tokens de video para muestreo de mayor frecuencia. Son ejemplos dependientes de la configuración, no una garantía universal de duración o tiempos de eventos. Mantén legibles la escritura pequeña y las transiciones importantes de escena, y verifica el texto extraído, los cálculos y el código generado antes de usar el resultado. El valor práctico de la edición 9B es su ámbito documentado de tareas conjuntas de texto y visión y su modo controlable de respuesta, conservando su identidad densa exacta.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B es el modelo denso de lenguaje visual de Qwen de 9 mil millones de parámetros para texto, imágenes y video, con salida de texto. Combina razonamiento, programación, llamadas a herramientas y trabajo multilingüe, con pensamiento seleccionable y un contexto nativo de 262,144 tokens que puede ampliarse mediante configuración.
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 9B
Qwen3.5-9B es el checkpoint denso de lenguaje visual de 9 mil millones de parámetros con entrenamiento posterior. Acepta texto, imágenes y video y devuelve texto. La familia reúne razonamiento, programación, agentes y comprensión visual mediante fusión temprana de entrenamiento textual y visual, aprendizaje por refuerzo en tareas progresivamente complejas y compatibilidad con 201 idiomas y dialectos. Esa cobertura lingüística es una capacidad de la familia, no una garantía de fiabilidad idéntica para cada idioma o tema.
Para trabajo documental multilingüe, indica el idioma objetivo, conserva los términos técnicos y pide que el resultado identifique los campos o pasajes fuente que utiliza. Para una pregunta visual, proporciona una imagen legible y una tarea precisa. Para una solicitud pequeña de programación, proporciona la entrada, el comportamiento deseado y el código pertinente. El modelo no genera imágenes o videos al analizar material visual.
Descripción general del modelo
Este modelo 9B exacto es denso, con 32 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida repite tres capas Gated DeltaNet seguidas de una capa de atención con compuertas, usando redes densas de propagación hacia adelante. La predicción de múltiples tokens se incluye en el entrenamiento. La familia también contiene modelos de expertos dispersos, pero sus descripciones de parámetros totales frente a activados no deben aplicarse a esta edición densa.
El contexto nativo es de 262,144 tokens, con una extensión condicional a 1,010,000. La configuración y el tamaño numérico del modelo deben mantenerse separados de su checkpoint Base, otros tamaños de Qwen3.5 y compilaciones cuantizadas. Una cantidad menor de parámetros identifica la edición; no establece por sí sola un tiempo de respuesta universal ni una clasificación de calidad. Para tareas complejas de pensamiento, Qwen recomienda conservar un contexto configurado de al menos 128K tokens cuando sea posible.
Entradas y modos de respuesta
El fabricante muestra preguntas solo de texto, de imágenes y de video. Proporciona una pregunta documental con la página pertinente y los campos esperados, o una pregunta de video con el evento y el rango de tiempo que importan. Conserva las etiquetas, las unidades y el orden de los fotogramas. Solicita un resultado que pueda compararse con la fuente, como una tabla de valores extraídos o una explicación que cite la evidencia visible.
El pensamiento está habilitado de forma predeterminada. enable_thinking puede desactivar el razonamiento para una respuesta directa, mientras que los antiguos interruptores de prompt suave /think y /nothink no se admiten oficialmente. Usa la plantilla del fabricante y mantén el razonamiento separado del texto final cuando la interfaz proporcione ambos. La recomendación de historial de Qwen3.5 es conservar las respuestas finales sin su contenido de pensamiento; no debe importarse a esta versión el comportamiento más reciente de conservación histórica.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent, incluidas herramientas configuradas o conectadas mediante MCP, y Qwen Code para trabajo de agentes de programación. Indica las herramientas permitidas y el resultado observable. Una herramienta conectada puede proporcionar un cálculo, recuperación de fuentes o retroalimentación real de ejecución; el modelo puede usar entonces esa información en su respuesta. Las herramientas y las acciones externas pertenecen a la aplicación, por lo que el nombre del modelo por sí solo no establece acceso ni ejecución.
Texto ultralargo
La extensión documentada usa YaRN con los propios ajustes posicionales de este checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; para 524,288 tokens, el fabricante sugiere un factor de dos. El escalado estático puede afectar el rendimiento con textos más cortos, por lo que debe seguir la necesidad real de un contexto más largo. La entrada, la representación visual, el historial, el razonamiento y la salida final comparten el presupuesto de secuencia. Organiza el material largo por identificador de documento o código y deja espacio para el artefacto solicitado.
Recomendaciones de generación
Las buenas prácticas de la ficha distinguen varios ajustes predefinidos. 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 tareas de razonamiento con respuesta directa, las buenas prácticas recomiendan en cambio temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Son recetas específicas de tareas, no valores para mezclar indiscriminadamente. Las penalizaciones por presencia mayores pueden causar mezcla de idiomas o una ligera disminución de calidad.
Qwen recomienda una asignación de generación de 32,768 tokens para la mayoría de las consultas y de 81,920 para preguntas matemáticas o de programación excepcionalmente complejas. Son recomendaciones, en lugar de límites estrictos independientes de salida. Especifica el formato de respuesta, como un resultado matemático delimitado o un campo de respuesta, y verifica la conclusión contra la fuente.
Detalle de video y límites sustantivos
El ejemplo de video del fabricante usa de forma predeterminada dos fotogramas por segundo en su flujo compatible. Su guía para duraciones del orden de horas amplía el presupuesto del procesador de video a aproximadamente 224K tokens de video para muestreo de mayor frecuencia. Son ejemplos dependientes de la configuración, no una garantía universal de duración o tiempos de eventos. Mantén legibles la escritura pequeña y las transiciones importantes de escena, y verifica el texto extraído, los cálculos y el código generado antes de usar el resultado. El valor práctico de la edición 9B es su ámbito documentado de tareas conjuntas de texto y visión y su modo controlable de respuesta, conservando su identidad densa exacta.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-9b | 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.0003 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.0003 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-9b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-9b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.5-9b
Usa las rutas de método indicadas arriba.
qwen/qwen3.5-9bQwen3.5-9B es el modelo denso de lenguaje visual de Qwen de 9 mil millones de parámetros para texto, imágenes y video, con salida de texto. Combina razonamiento, programación, llamadas a herramientas y trabajo multilingüe, con pensamiento seleccionable y un contexto nativo de 262,144 tokens que puede ampliarse mediante configuración.
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 9B
Qwen3.5-9B es el checkpoint denso de lenguaje visual de 9 mil millones de parámetros con entrenamiento posterior. Acepta texto, imágenes y video y devuelve texto. La familia reúne razonamiento, programación, agentes y comprensión visual mediante fusión temprana de entrenamiento textual y visual, aprendizaje por refuerzo en tareas progresivamente complejas y compatibilidad con 201 idiomas y dialectos. Esa cobertura lingüística es una capacidad de la familia, no una garantía de fiabilidad idéntica para cada idioma o tema.
Para trabajo documental multilingüe, indica el idioma objetivo, conserva los términos técnicos y pide que el resultado identifique los campos o pasajes fuente que utiliza. Para una pregunta visual, proporciona una imagen legible y una tarea precisa. Para una solicitud pequeña de programación, proporciona la entrada, el comportamiento deseado y el código pertinente. El modelo no genera imágenes o videos al analizar material visual.
Descripción general del modelo
Este modelo 9B exacto es denso, con 32 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida repite tres capas Gated DeltaNet seguidas de una capa de atención con compuertas, usando redes densas de propagación hacia adelante. La predicción de múltiples tokens se incluye en el entrenamiento. La familia también contiene modelos de expertos dispersos, pero sus descripciones de parámetros totales frente a activados no deben aplicarse a esta edición densa.
El contexto nativo es de 262,144 tokens, con una extensión condicional a 1,010,000. La configuración y el tamaño numérico del modelo deben mantenerse separados de su checkpoint Base, otros tamaños de Qwen3.5 y compilaciones cuantizadas. Una cantidad menor de parámetros identifica la edición; no establece por sí sola un tiempo de respuesta universal ni una clasificación de calidad. Para tareas complejas de pensamiento, Qwen recomienda conservar un contexto configurado de al menos 128K tokens cuando sea posible.
Entradas y modos de respuesta
El fabricante muestra preguntas solo de texto, de imágenes y de video. Proporciona una pregunta documental con la página pertinente y los campos esperados, o una pregunta de video con el evento y el rango de tiempo que importan. Conserva las etiquetas, las unidades y el orden de los fotogramas. Solicita un resultado que pueda compararse con la fuente, como una tabla de valores extraídos o una explicación que cite la evidencia visible.
El pensamiento está habilitado de forma predeterminada. enable_thinking puede desactivar el razonamiento para una respuesta directa, mientras que los antiguos interruptores de prompt suave /think y /nothink no se admiten oficialmente. Usa la plantilla del fabricante y mantén el razonamiento separado del texto final cuando la interfaz proporcione ambos. La recomendación de historial de Qwen3.5 es conservar las respuestas finales sin su contenido de pensamiento; no debe importarse a esta versión el comportamiento más reciente de conservación histórica.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent, incluidas herramientas configuradas o conectadas mediante MCP, y Qwen Code para trabajo de agentes de programación. Indica las herramientas permitidas y el resultado observable. Una herramienta conectada puede proporcionar un cálculo, recuperación de fuentes o retroalimentación real de ejecución; el modelo puede usar entonces esa información en su respuesta. Las herramientas y las acciones externas pertenecen a la aplicación, por lo que el nombre del modelo por sí solo no establece acceso ni ejecución.
Texto ultralargo
La extensión documentada usa YaRN con los propios ajustes posicionales de este checkpoint. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; para 524,288 tokens, el fabricante sugiere un factor de dos. El escalado estático puede afectar el rendimiento con textos más cortos, por lo que debe seguir la necesidad real de un contexto más largo. La entrada, la representación visual, el historial, el razonamiento y la salida final comparten el presupuesto de secuencia. Organiza el material largo por identificador de documento o código y deja espacio para el artefacto solicitado.
Recomendaciones de generación
Las buenas prácticas de la ficha distinguen varios ajustes predefinidos. 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 tareas de razonamiento con respuesta directa, las buenas prácticas recomiendan en cambio temperatura 1.0, top_p 1.0, top_k 40 y penalización por presencia 2.0. Son recetas específicas de tareas, no valores para mezclar indiscriminadamente. Las penalizaciones por presencia mayores pueden causar mezcla de idiomas o una ligera disminución de calidad.
Qwen recomienda una asignación de generación de 32,768 tokens para la mayoría de las consultas y de 81,920 para preguntas matemáticas o de programación excepcionalmente complejas. Son recomendaciones, en lugar de límites estrictos independientes de salida. Especifica el formato de respuesta, como un resultado matemático delimitado o un campo de respuesta, y verifica la conclusión contra la fuente.
Detalle de video y límites sustantivos
El ejemplo de video del fabricante usa de forma predeterminada dos fotogramas por segundo en su flujo compatible. Su guía para duraciones del orden de horas amplía el presupuesto del procesador de video a aproximadamente 224K tokens de video para muestreo de mayor frecuencia. Son ejemplos dependientes de la configuración, no una garantía universal de duración o tiempos de eventos. Mantén legibles la escritura pequeña y las transiciones importantes de escena, y verifica el texto extraído, los cálculos y el código generado antes de usar el resultado. El valor práctico de la edición 9B es su ámbito documentado de tareas conjuntas de texto y visión y su modo controlable de respuesta, conservando su identidad densa exacta.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-9b | 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.0003 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.0003 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-9b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-9b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.5-9b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.