Aspectos destacados de Qwen3.6 en un modelo denso 27B
Qwen3.6-27B es un modelo denso de lenguaje visual desarrollado a partir de Qwen3.5-27B. El fabricante destaca agentes de programación y razonamiento STEM más sólidos, con mejoras en comprensión espacial, localización y detección de objetos, OCR documental, comprensión de video y agentes visuales. Acepta texto, imágenes y video y genera texto. Esta edición densa exacta es distinta del modelo de mezcla de expertos Qwen3.6-35B-A3B, aunque compartan generación y enfoque de tareas.
Para un diagrama STEM, proporciona el enunciado completo y conserva etiquetas y unidades. Pide al modelo que separe los hechos directamente visibles de los supuestos y devuelva después una explicación con una respuesta final clara. Para un documento, especifica los campos o afirmaciones que se deben extraer y solicita referencias de página que los respalden. Para un agente de programación, proporciona los módulos pertinentes, el comportamiento deseado y retroalimentación real del flujo conectado. Estos ejemplos aplican las capacidades documentadas; no son afirmaciones de extracción exacta o ejecución exitosa.
Descripción general del modelo
El modelo tiene 27 mil millones de parámetros y 64 capas de modelo de lenguaje. Su disposición híbrida repite tres capas Gated DeltaNet seguidas de una capa de atención con compuertas, usando redes densas de propagación hacia adelante en lugar de expertos dispersos. Un codificador visual proporciona comprensión de imágenes y video, y la predicción de múltiples tokens forma parte del entrenamiento. Estos hechos de arquitectura identifican el checkpoint sin clasificar la calidad o el tiempo de respuesta de todas las aplicaciones.
El contexto nativo es de 262,144 tokens y puede ampliarse a 1,010,000 mediante configuración. Qwen aconseja mantener al menos un contexto de 128K cuando sea posible para razonamiento complejo, reconociendo que la presión de memoria puede requerir un ajuste menor. Las imágenes y el video representados, el texto, los mensajes históricos, el pensamiento y la respuesta consumen espacio en la secuencia configurada.
Entradas y modos
El fabricante muestra preguntas de texto, imagen y video. El pensamiento está habilitado de forma predeterminada, con un bloque de razonamiento antes de la respuesta final. enable_thinking puede desactivar ese comportamiento para una respuesta directa. Qwen3.6 no admite oficialmente los antiguos interruptores de prompt /think y /nothink. Mantén fácil de identificar el resultado requerido después de la explicación, como un valor calculado, una tabla de campos extraídos o un parche de código editable.
El ejemplo de video usa dos fotogramas por segundo de forma predeterminada en su flujo compatible. Para video de duración del orden de horas, el fabricante recomienda aumentar el presupuesto del procesador para permitir muestreo de mayor frecuencia, con un ejemplo correspondiente a aproximadamente 224K tokens de video. Un mayor detalle visual necesita más presupuesto de contexto y procesamiento. Esos ajustes no establecen una duración incondicional de video ni una precisión exacta de las marcas de tiempo de eventos para todas las interfaces.
Pensamiento histórico
La plantilla predeterminada conserva el pensamiento asociado con el último mensaje del usuario. La opción preserve_thinking también puede conservar razonamiento de mensajes históricos; el ejemplo explícito del fabricante la habilita con true. Esto puede respaldar desarrollo iterativo donde las decisiones anteriores siguen siendo pertinentes después de nueva retroalimentación de herramientas. Difiere del comportamiento predeterminado documentado de conservación de Qwen3.8 y de la guía de Qwen3.5 que conserva solo las respuestas finales en el historial. Sigue el formato exacto del checkpoint, en lugar de sustituir silenciosamente las reglas de historial de otra generación.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, junto con Qwen Code para trabajo de agentes de programación. Indica las acciones permitidas y los criterios observables de terminación. Una herramienta puede inspeccionar material suministrado o devolver un resultado real de verificación, tras lo cual el modelo puede revisar su análisis. El modelo no obtiene acceso a un sistema de archivos, fuentes actuales o un entorno de ejecución simplemente por su especialización como agente.
Entrada ultralarga
La receta de extensión usa YaRN con los ajustes posicionales intercalados de este modelo. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para cargas de 524,288 tokens. El escalado estático puede reducir el rendimiento con textos más cortos, así que debe seguir la necesidad real de contexto largo. Mantén etiquetadas las páginas, funciones y divisiones entre documentos; después, solicita conclusiones que identifiquen la evidencia que las respalda.
Recomendaciones de generación y límites
Las buenas prácticas de la ficha recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 0 y penalización por repetición 1.0 para pensamiento general. Para programación precisa, la temperatura pasa a 0.6. Para respuestas directas, la temperatura es 0.7, top_p 0.8 y la penalización por presencia 1.5, con los demás valores sin cambios. El fabricante advierte que las penalizaciones por presencia mayores pueden mezclar idiomas o disminuir ligeramente la calidad.
Las asignaciones recomendadas de generación son de 32,768 tokens para la mayoría de las preguntas y de 81,920 para trabajo matemático o de programación excepcionalmente difícil. No son límites estrictos establecidos por separado. Define un formato de respuesta final y verifica el texto extraído, las conclusiones espaciales, los cálculos y el código propuesto contra la fuente. Un contexto grande y el razonamiento conservado ayudan a llevar evidencia a lo largo de la tarea; el artefacto revisable sigue siendo el resultado útil.
", "aboutText": "Aspectos destacados de Qwen3.6 en un modelo denso 27B\n\nQwen3.6-27B es un modelo denso de lenguaje visual desarrollado a partir de Qwen3.5-27B. El fabricante destaca agentes de programación y razonamiento STEM más sólidos, con mejoras en comprensión espacial, localización y detección de objetos, OCR documental, comprensión de video y agentes visuales. Acepta texto, imágenes y video y genera texto. Esta edición densa exacta es distinta del modelo de mezcla de expertos Qwen3.6-35B-A3B, aunque compartan generación y enfoque de tareas.\n\nPara un diagrama STEM, proporciona el enunciado completo y conserva etiquetas y unidades. Pide al modelo que separe los hechos directamente visibles de los supuestos y devuelva después una explicación con una respuesta final clara. Para un documento, especifica los campos o afirmaciones que se deben extraer y solicita referencias de página que los respalden. Para un agente de programación, proporciona los módulos pertinentes, el comportamiento deseado y retroalimentación real del flujo conectado. Estos ejemplos aplican las capacidades documentadas; no son afirmaciones de extracción exacta o ejecución exitosa.\n\nDescripción general del modelo\n\nEl modelo tiene 27 mil millones de parámetros y 64 capas de modelo de lenguaje. Su disposición híbrida repite tres capas Gated DeltaNet seguidas de una capa de atención con compuertas, usando redes densas de propagación hacia adelante en lugar de expertos dispersos. Un codificador visual proporciona comprensión de imágenes y video, y la predicción de múltiples tokens forma parte del entrenamiento. Estos hechos de arquitectura identifican el checkpoint sin clasificar la calidad o el tiempo de respuesta de todas las aplicaciones.\n\nEl contexto nativo es de 262,144 tokens y puede ampliarse a 1,010,000 mediante configuración. Qwen aconseja mantener al menos un contexto de 128K cuando sea posible para razonamiento complejo, reconociendo que la presión de memoria puede requerir un ajuste menor. Las imágenes y el video representados, el texto, los mensajes históricos, el pensamiento y la respuesta consumen espacio en la secuencia configurada.\n\nEntradas y modos\n\nEl fabricante muestra preguntas de texto, imagen y video. El pensamiento está habilitado de forma predeterminada, con un bloque de razonamiento antes de la respuesta final. enable_thinking puede desactivar ese comportamiento para una respuesta directa. Qwen3.6 no admite oficialmente los antiguos interruptores de prompt /think y /nothink. Mantén fácil de identificar el resultado requerido después de la explicación, como un valor calculado, una tabla de campos extraídos o un parche de código editable.\n\nEl ejemplo de video usa dos fotogramas por segundo de forma predeterminada en su flujo compatible. Para video de duración del orden de horas, el fabricante recomienda aumentar el presupuesto del procesador para permitir muestreo de mayor frecuencia, con un ejemplo correspondiente a aproximadamente 224K tokens de video. Un mayor detalle visual necesita más presupuesto de contexto y procesamiento. Esos ajustes no establecen una duración incondicional de video ni una precisión exacta de las marcas de tiempo de eventos para todas las interfaces.\n\nPensamiento histórico\n\nLa plantilla predeterminada conserva el pensamiento asociado con el último mensaje del usuario. La opción preserve_thinking también puede conservar razonamiento de mensajes históricos; el ejemplo explícito del fabricante la habilita con true. Esto puede respaldar desarrollo iterativo donde las decisiones anteriores siguen siendo pertinentes después de nueva retroalimentación de herramientas. Difiere del comportamiento predeterminado documentado de conservación de Qwen3.8 y de la guía de Qwen3.5 que conserva solo las respuestas finales en el historial. Sigue el formato exacto del checkpoint, en lugar de sustituir silenciosamente las reglas de historial de otra generación.\n\nUso como agente\n\nQwen documenta llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, junto con Qwen Code para trabajo de agentes de programación. Indica las acciones permitidas y los criterios observables de terminación. Una herramienta puede inspeccionar material suministrado o devolver un resultado real de verificación, tras lo cual el modelo puede revisar su análisis. El modelo no obtiene acceso a un sistema de archivos, fuentes actuales o un entorno de ejecución simplemente por su especialización como agente.\n\nEntrada ultralarga\n\nLa receta de extensión usa YaRN con los ajustes posicionales intercalados de este modelo. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para cargas de 524,288 tokens. El escalado estático puede reducir el rendimiento con textos más cortos, así que debe seguir la necesidad real de contexto largo. Mantén etiquetadas las páginas, funciones y divisiones entre documentos; después, solicita conclusiones que identifiquen la evidencia que las respalda.\n\nRecomendaciones de generación y límites\n\nLas buenas prácticas de la ficha recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 0 y penalización por repetición 1.0 para pensamiento general. Para programación precisa, la temperatura pasa a 0.6. Para respuestas directas, la temperatura es 0.7, top_p 0.8 y la penalización por presencia 1.5, con los demás valores sin cambios. El fabricante advierte que las penalizaciones por presencia mayores pueden mezclar idiomas o disminuir ligeramente la calidad.\n\nLas asignaciones recomendadas de generación son de 32,768 tokens para la mayoría de las preguntas y de 81,920 para trabajo matemático o de programación excepcionalmente difícil. No son límites estrictos establecidos por separado. Define un formato de respuesta final y verifica el texto extraído, las conclusiones espaciales, los cálculos y el código propuesto contra la fuente. Un contexto grande y el razonamiento conservado ayudan a llevar evidencia a lo largo de la tarea; el artefacto revisable sigue siendo el resultado útil.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B es el modelo denso de lenguaje visual de Qwen para programación, razonamiento STEM y análisis visual. Acepta texto, imágenes y video y devuelve texto, con pensamiento seleccionable, conservación opcional del razonamiento histórico 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 Qwen3.6 en un modelo denso 27B
Qwen3.6-27B es un modelo denso de lenguaje visual desarrollado a partir de Qwen3.5-27B. El fabricante destaca agentes de programación y razonamiento STEM más sólidos, con mejoras en comprensión espacial, localización y detección de objetos, OCR documental, comprensión de video y agentes visuales. Acepta texto, imágenes y video y genera texto. Esta edición densa exacta es distinta del modelo de mezcla de expertos Qwen3.6-35B-A3B, aunque compartan generación y enfoque de tareas.
Para un diagrama STEM, proporciona el enunciado completo y conserva etiquetas y unidades. Pide al modelo que separe los hechos directamente visibles de los supuestos y devuelva después una explicación con una respuesta final clara. Para un documento, especifica los campos o afirmaciones que se deben extraer y solicita referencias de página que los respalden. Para un agente de programación, proporciona los módulos pertinentes, el comportamiento deseado y retroalimentación real del flujo conectado. Estos ejemplos aplican las capacidades documentadas; no son afirmaciones de extracción exacta o ejecución exitosa.
Descripción general del modelo
El modelo tiene 27 mil millones de parámetros y 64 capas de modelo de lenguaje. Su disposición híbrida repite tres capas Gated DeltaNet seguidas de una capa de atención con compuertas, usando redes densas de propagación hacia adelante en lugar de expertos dispersos. Un codificador visual proporciona comprensión de imágenes y video, y la predicción de múltiples tokens forma parte del entrenamiento. Estos hechos de arquitectura identifican el checkpoint sin clasificar la calidad o el tiempo de respuesta de todas las aplicaciones.
El contexto nativo es de 262,144 tokens y puede ampliarse a 1,010,000 mediante configuración. Qwen aconseja mantener al menos un contexto de 128K cuando sea posible para razonamiento complejo, reconociendo que la presión de memoria puede requerir un ajuste menor. Las imágenes y el video representados, el texto, los mensajes históricos, el pensamiento y la respuesta consumen espacio en la secuencia configurada.
Entradas y modos
El fabricante muestra preguntas de texto, imagen y video. El pensamiento está habilitado de forma predeterminada, con un bloque de razonamiento antes de la respuesta final. enable_thinking puede desactivar ese comportamiento para una respuesta directa. Qwen3.6 no admite oficialmente los antiguos interruptores de prompt /think y /nothink. Mantén fácil de identificar el resultado requerido después de la explicación, como un valor calculado, una tabla de campos extraídos o un parche de código editable.
El ejemplo de video usa dos fotogramas por segundo de forma predeterminada en su flujo compatible. Para video de duración del orden de horas, el fabricante recomienda aumentar el presupuesto del procesador para permitir muestreo de mayor frecuencia, con un ejemplo correspondiente a aproximadamente 224K tokens de video. Un mayor detalle visual necesita más presupuesto de contexto y procesamiento. Esos ajustes no establecen una duración incondicional de video ni una precisión exacta de las marcas de tiempo de eventos para todas las interfaces.
Pensamiento histórico
La plantilla predeterminada conserva el pensamiento asociado con el último mensaje del usuario. La opción preserve_thinking también puede conservar razonamiento de mensajes históricos; el ejemplo explícito del fabricante la habilita con true. Esto puede respaldar desarrollo iterativo donde las decisiones anteriores siguen siendo pertinentes después de nueva retroalimentación de herramientas. Difiere del comportamiento predeterminado documentado de conservación de Qwen3.8 y de la guía de Qwen3.5 que conserva solo las respuestas finales en el historial. Sigue el formato exacto del checkpoint, en lugar de sustituir silenciosamente las reglas de historial de otra generación.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, junto con Qwen Code para trabajo de agentes de programación. Indica las acciones permitidas y los criterios observables de terminación. Una herramienta puede inspeccionar material suministrado o devolver un resultado real de verificación, tras lo cual el modelo puede revisar su análisis. El modelo no obtiene acceso a un sistema de archivos, fuentes actuales o un entorno de ejecución simplemente por su especialización como agente.
Entrada ultralarga
La receta de extensión usa YaRN con los ajustes posicionales intercalados de este modelo. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para cargas de 524,288 tokens. El escalado estático puede reducir el rendimiento con textos más cortos, así que debe seguir la necesidad real de contexto largo. Mantén etiquetadas las páginas, funciones y divisiones entre documentos; después, solicita conclusiones que identifiquen la evidencia que las respalda.
Recomendaciones de generación y límites
Las buenas prácticas de la ficha recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 0 y penalización por repetición 1.0 para pensamiento general. Para programación precisa, la temperatura pasa a 0.6. Para respuestas directas, la temperatura es 0.7, top_p 0.8 y la penalización por presencia 1.5, con los demás valores sin cambios. El fabricante advierte que las penalizaciones por presencia mayores pueden mezclar idiomas o disminuir ligeramente la calidad.
Las asignaciones recomendadas de generación son de 32,768 tokens para la mayoría de las preguntas y de 81,920 para trabajo matemático o de programación excepcionalmente difícil. No son límites estrictos establecidos por separado. Define un formato de respuesta final y verifica el texto extraído, las conclusiones espaciales, los cálculos y el código propuesto contra la fuente. Un contexto grande y el razonamiento conservado ayudan a llevar evidencia a lo largo de la tarea; el artefacto revisable sigue siendo el resultado útil.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.6-27b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0009 / 1K tokens Salida · Tokens de salida $0.0054 / 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 $0.0009 / 1K tokens Salida · Tokens de salida $0.0054 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen3.6-27b
Usa las rutas de método indicadas arriba.
qwen/qwen3.6-27bQwen3.6-27B es el modelo denso de lenguaje visual de Qwen para programación, razonamiento STEM y análisis visual. Acepta texto, imágenes y video y devuelve texto, con pensamiento seleccionable, conservación opcional del razonamiento histórico 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 Qwen3.6 en un modelo denso 27B
Qwen3.6-27B es un modelo denso de lenguaje visual desarrollado a partir de Qwen3.5-27B. El fabricante destaca agentes de programación y razonamiento STEM más sólidos, con mejoras en comprensión espacial, localización y detección de objetos, OCR documental, comprensión de video y agentes visuales. Acepta texto, imágenes y video y genera texto. Esta edición densa exacta es distinta del modelo de mezcla de expertos Qwen3.6-35B-A3B, aunque compartan generación y enfoque de tareas.
Para un diagrama STEM, proporciona el enunciado completo y conserva etiquetas y unidades. Pide al modelo que separe los hechos directamente visibles de los supuestos y devuelva después una explicación con una respuesta final clara. Para un documento, especifica los campos o afirmaciones que se deben extraer y solicita referencias de página que los respalden. Para un agente de programación, proporciona los módulos pertinentes, el comportamiento deseado y retroalimentación real del flujo conectado. Estos ejemplos aplican las capacidades documentadas; no son afirmaciones de extracción exacta o ejecución exitosa.
Descripción general del modelo
El modelo tiene 27 mil millones de parámetros y 64 capas de modelo de lenguaje. Su disposición híbrida repite tres capas Gated DeltaNet seguidas de una capa de atención con compuertas, usando redes densas de propagación hacia adelante en lugar de expertos dispersos. Un codificador visual proporciona comprensión de imágenes y video, y la predicción de múltiples tokens forma parte del entrenamiento. Estos hechos de arquitectura identifican el checkpoint sin clasificar la calidad o el tiempo de respuesta de todas las aplicaciones.
El contexto nativo es de 262,144 tokens y puede ampliarse a 1,010,000 mediante configuración. Qwen aconseja mantener al menos un contexto de 128K cuando sea posible para razonamiento complejo, reconociendo que la presión de memoria puede requerir un ajuste menor. Las imágenes y el video representados, el texto, los mensajes históricos, el pensamiento y la respuesta consumen espacio en la secuencia configurada.
Entradas y modos
El fabricante muestra preguntas de texto, imagen y video. El pensamiento está habilitado de forma predeterminada, con un bloque de razonamiento antes de la respuesta final. enable_thinking puede desactivar ese comportamiento para una respuesta directa. Qwen3.6 no admite oficialmente los antiguos interruptores de prompt /think y /nothink. Mantén fácil de identificar el resultado requerido después de la explicación, como un valor calculado, una tabla de campos extraídos o un parche de código editable.
El ejemplo de video usa dos fotogramas por segundo de forma predeterminada en su flujo compatible. Para video de duración del orden de horas, el fabricante recomienda aumentar el presupuesto del procesador para permitir muestreo de mayor frecuencia, con un ejemplo correspondiente a aproximadamente 224K tokens de video. Un mayor detalle visual necesita más presupuesto de contexto y procesamiento. Esos ajustes no establecen una duración incondicional de video ni una precisión exacta de las marcas de tiempo de eventos para todas las interfaces.
Pensamiento histórico
La plantilla predeterminada conserva el pensamiento asociado con el último mensaje del usuario. La opción preserve_thinking también puede conservar razonamiento de mensajes históricos; el ejemplo explícito del fabricante la habilita con true. Esto puede respaldar desarrollo iterativo donde las decisiones anteriores siguen siendo pertinentes después de nueva retroalimentación de herramientas. Difiere del comportamiento predeterminado documentado de conservación de Qwen3.8 y de la guía de Qwen3.5 que conserva solo las respuestas finales en el historial. Sigue el formato exacto del checkpoint, en lugar de sustituir silenciosamente las reglas de historial de otra generación.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, junto con Qwen Code para trabajo de agentes de programación. Indica las acciones permitidas y los criterios observables de terminación. Una herramienta puede inspeccionar material suministrado o devolver un resultado real de verificación, tras lo cual el modelo puede revisar su análisis. El modelo no obtiene acceso a un sistema de archivos, fuentes actuales o un entorno de ejecución simplemente por su especialización como agente.
Entrada ultralarga
La receta de extensión usa YaRN con los ajustes posicionales intercalados de este modelo. Un factor de cuatro apunta al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para cargas de 524,288 tokens. El escalado estático puede reducir el rendimiento con textos más cortos, así que debe seguir la necesidad real de contexto largo. Mantén etiquetadas las páginas, funciones y divisiones entre documentos; después, solicita conclusiones que identifiquen la evidencia que las respalda.
Recomendaciones de generación y límites
Las buenas prácticas de la ficha recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización por presencia 0 y penalización por repetición 1.0 para pensamiento general. Para programación precisa, la temperatura pasa a 0.6. Para respuestas directas, la temperatura es 0.7, top_p 0.8 y la penalización por presencia 1.5, con los demás valores sin cambios. El fabricante advierte que las penalizaciones por presencia mayores pueden mezclar idiomas o disminuir ligeramente la calidad.
Las asignaciones recomendadas de generación son de 32,768 tokens para la mayoría de las preguntas y de 81,920 para trabajo matemático o de programación excepcionalmente difícil. No son límites estrictos establecidos por separado. Define un formato de respuesta final y verifica el texto extraído, las conclusiones espaciales, los cálculos y el código propuesto contra la fuente. Un contexto grande y el razonamiento conservado ayudan a llevar evidencia a lo largo de la tarea; el artefacto revisable sigue siendo el resultado útil.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.6-27b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0009 / 1K tokens Salida · Tokens de salida $0.0054 / 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 $0.0009 / 1K tokens Salida · Tokens de salida $0.0054 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen3.6-27b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.