Aspectos destacados de Qwen3.5: el modelo de expertos 122B-A10B
Qwen3.5-122B-A10B es un modelo de visión y lenguaje con posentrenamiento para tareas conjuntas de texto y visión. Acepta texto, imágenes y vídeo y devuelve texto, incluidas explicaciones, propuestas de código y artefactos documentales solicitados. La familia se construye mediante fusión temprana de texto y visión y aprendizaje por refuerzo en tareas progresivamente complejas, desarrollando razonamiento, programación, agentes y comprensión visual. Describe cobertura de 201 idiomas y dialectos, sin implicar que todos los idiomas o ámbitos tengan una fiabilidad idéntica.
Una tarea útil puede combinar una especificación técnica, diagramas y código pertinente y pedir al modelo que explique los componentes y devuelva una propuesta de implementación. Una tarea de análisis documental puede pedir una comparación con referencias a secciones o páginas de apoyo.
Descripción general del modelo
El punto de control de mezcla dispersa de expertos tiene 122 mil millones de parámetros en total y activa diez mil millones. Tiene 48 capas de modelo de lenguaje, con grupos de tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. El desarrollador indica 256 expertos enrutados, de los que selecciona ocho junto con un experto compartido. Un codificador visual y la predicción de múltiples tokens forman parte del modelo. Sus recuentos total y activado tienen significados diferentes; la cifra activada no es el tamaño del punto de control completo.
Esta edición es distinta de Qwen3.5-27B denso, Qwen3.5-35B-A3B disperso y generaciones posteriores de modelos. No infieras una clasificación general de rendimiento o latencia a partir del tamaño únicamente. El contexto nativo es de 262,144 tokens y la ampliación documentada alcanza 1,010,000 mediante configuración. Qwen aconseja conservar al menos un contexto de 128K cuando sea posible para pensamiento complejo, aunque reconoce que la presión de memoria puede requerir una ventana menor.
Preparación de pruebas conjuntas de texto y visión
Conserva las etiquetas de diagramas, los ejes de gráficos, las cabeceras de tablas y las unidades. Indica si el resultado debe explicar una relación, extraer campos identificados o proponer código. Cuando importen varias fuentes, etiquétalas y pide una salida organizada por los mismos identificadores. Separa los hechos visibles de los supuestos para que quien revise pueda rastrear el razonamiento hasta el material proporcionado.
Para una solicitud de programación, identifica el comportamiento previsto, el código pertinente y una entrada que demuestre el problema. Pide un parche editable con una explicación de las condiciones afectadas y las comprobaciones. Para vídeo, conserva la secuencia de eventos y los tiempos y especifica la pregunta, en lugar de pedir un resumen indiferenciado. El resultado textual del modelo es un borrador de artefacto que se debe inspeccionar; la capacidad de entrada visual no significa generación de imágenes, vídeo o voz.
Pensamiento e historial
El pensamiento está habilitado de forma predeterminada, con razonamiento antes de la respuesta final. El ajuste enable_thinking del desarrollador puede desactivarlo para respuestas directas. Los antiguos conmutadores textuales /think y /nothink no son compatibles oficialmente. Qwen3.5 recomienda conservar las respuestas finales sin contenido de pensamiento en los mensajes históricos del asistente. Esto no debe sustituirse por las opciones de conservación histórica de generaciones posteriores de Qwen simplemente por compartir un nombre de familia.
Mantén el resultado final fácil de localizar, como un campo de respuesta definido, un valor delimitado o un artefacto de código separado. Una respuesta directa sigue necesitando comprobación, mientras que un razonamiento más largo solo es útil cuando sus pasos respaldan una conclusión verificable.
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. Define las acciones permitidas, las pruebas disponibles y los criterios de finalización. Las herramientas conectadas ejecutan operaciones y devuelven resultados; el modelo utiliza esa retroalimentación en su análisis. Un comando, una consulta de recuperación o un parche propuestos deben mantenerse diferenciados de una acción realmente completada por la aplicación.
Contexto ultralargo y vídeo
La ampliación del desarrollador utiliza YaRN con los ajustes posicionales intercalados del punto de control. Un factor de cuatro se dirige al flujo de aproximadamente un millón de tokens y se sugiere dos para cargas de 524,288 tokens. El escalado estático puede afectar al rendimiento con textos más cortos, por lo que debe responder a una necesidad real de contexto mayor. La entrada, los elementos visuales representados, el historial, el razonamiento y la respuesta final utilizan el presupuesto de secuencia configurado.
El ejemplo de vídeo compatible utiliza de forma predeterminada dos fotogramas por segundo. Para material de una duración del orden de horas, el desarrollador recomienda aumentar el presupuesto del procesador a unos 224K tokens de vídeo para muestreo de mayor frecuencia. Es una receta dependiente de la configuración, no una garantía universal de duración multimedia, recuerdo completo o precisión de marcas de tiempo.
Orientación de generación y límites sustanciales
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización de presencia 1.5 y penalización de repetición 1.0 para pensamiento general. La programación precisa utiliza temperatura 0.6 y penalización de presencia cero. Las respuestas directas generales utilizan temperatura 0.7, top_p 0.8 y penalización de presencia 1.5; top_k es 20, min_p es 0 y la penalización de repetición es 1.0. El razonamiento con respuesta directa tiene un preajuste independiente: temperatura 1.0, top_p 1.0, top_k 40 y penalización de presencia 2.0. Las penalizaciones de presencia mayores pueden mezclar idiomas o reducir ligeramente la calidad.
Las capacidades de generación recomendadas son de 32,768 tokens para la mayoría de las consultas y de 81,920 para trabajo matemático o de programación excepcionalmente complejo; no son límites estrictos de salida establecidos por separado. Define el formato solicitado, conserva los identificadores de las fuentes y comprueba los cálculos, los valores extraídos y el código propuesto frente a las pruebas originales. El resultado útil es un artefacto textual completo cuyos supuestos y material de apoyo sigan siendo visibles.
", "aboutText": "Aspectos destacados de Qwen3.5: el modelo de expertos 122B-A10B\n\nQwen3.5-122B-A10B es un modelo de visión y lenguaje con posentrenamiento para tareas conjuntas de texto y visión. Acepta texto, imágenes y vídeo y devuelve texto, incluidas explicaciones, propuestas de código y artefactos documentales solicitados. La familia se construye mediante fusión temprana de texto y visión y aprendizaje por refuerzo en tareas progresivamente complejas, desarrollando razonamiento, programación, agentes y comprensión visual. Describe cobertura de 201 idiomas y dialectos, sin implicar que todos los idiomas o ámbitos tengan una fiabilidad idéntica.\n\nUna tarea útil puede combinar una especificación técnica, diagramas y código pertinente y pedir al modelo que explique los componentes y devuelva una propuesta de implementación. Una tarea de análisis documental puede pedir una comparación con referencias a secciones o páginas de apoyo.\n\nDescripción general del modelo\n\nEl punto de control de mezcla dispersa de expertos tiene 122 mil millones de parámetros en total y activa diez mil millones. Tiene 48 capas de modelo de lenguaje, con grupos de tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. El desarrollador indica 256 expertos enrutados, de los que selecciona ocho junto con un experto compartido. Un codificador visual y la predicción de múltiples tokens forman parte del modelo. Sus recuentos total y activado tienen significados diferentes; la cifra activada no es el tamaño del punto de control completo.\n\nEsta edición es distinta de Qwen3.5-27B denso, Qwen3.5-35B-A3B disperso y generaciones posteriores de modelos. No infieras una clasificación general de rendimiento o latencia a partir del tamaño únicamente. El contexto nativo es de 262,144 tokens y la ampliación documentada alcanza 1,010,000 mediante configuración. Qwen aconseja conservar al menos un contexto de 128K cuando sea posible para pensamiento complejo, aunque reconoce que la presión de memoria puede requerir una ventana menor.\n\nPreparación de pruebas conjuntas de texto y visión\n\nConserva las etiquetas de diagramas, los ejes de gráficos, las cabeceras de tablas y las unidades. Indica si el resultado debe explicar una relación, extraer campos identificados o proponer código. Cuando importen varias fuentes, etiquétalas y pide una salida organizada por los mismos identificadores. Separa los hechos visibles de los supuestos para que quien revise pueda rastrear el razonamiento hasta el material proporcionado.\n\nPara una solicitud de programación, identifica el comportamiento previsto, el código pertinente y una entrada que demuestre el problema. Pide un parche editable con una explicación de las condiciones afectadas y las comprobaciones. Para vídeo, conserva la secuencia de eventos y los tiempos y especifica la pregunta, en lugar de pedir un resumen indiferenciado. El resultado textual del modelo es un borrador de artefacto que se debe inspeccionar; la capacidad de entrada visual no significa generación de imágenes, vídeo o voz.\n\nPensamiento e historial\n\nEl pensamiento está habilitado de forma predeterminada, con razonamiento antes de la respuesta final. El ajuste enable_thinking del desarrollador puede desactivarlo para respuestas directas. Los antiguos conmutadores textuales /think y /nothink no son compatibles oficialmente. Qwen3.5 recomienda conservar las respuestas finales sin contenido de pensamiento en los mensajes históricos del asistente. Esto no debe sustituirse por las opciones de conservación histórica de generaciones posteriores de Qwen simplemente por compartir un nombre de familia.\n\nMantén el resultado final fácil de localizar, como un campo de respuesta definido, un valor delimitado o un artefacto de código separado. Una respuesta directa sigue necesitando comprobación, mientras que un razonamiento más largo solo es útil cuando sus pasos respaldan una conclusión verificable.\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. Define las acciones permitidas, las pruebas disponibles y los criterios de finalización. Las herramientas conectadas ejecutan operaciones y devuelven resultados; el modelo utiliza esa retroalimentación en su análisis. Un comando, una consulta de recuperación o un parche propuestos deben mantenerse diferenciados de una acción realmente completada por la aplicación.\n\nContexto ultralargo y vídeo\n\nLa ampliación del desarrollador utiliza YaRN con los ajustes posicionales intercalados del punto de control. Un factor de cuatro se dirige al flujo de aproximadamente un millón de tokens y se sugiere dos para cargas de 524,288 tokens. El escalado estático puede afectar al rendimiento con textos más cortos, por lo que debe responder a una necesidad real de contexto mayor. La entrada, los elementos visuales representados, el historial, el razonamiento y la respuesta final utilizan el presupuesto de secuencia configurado.\n\nEl ejemplo de vídeo compatible utiliza de forma predeterminada dos fotogramas por segundo. Para material de una duración del orden de horas, el desarrollador recomienda aumentar el presupuesto del procesador a unos 224K tokens de vídeo para muestreo de mayor frecuencia. Es una receta dependiente de la configuración, no una garantía universal de duración multimedia, recuerdo completo o precisión de marcas de tiempo.\n\nOrientación de generación y límites sustanciales\n\nLas buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización de presencia 1.5 y penalización de repetición 1.0 para pensamiento general. La programación precisa utiliza temperatura 0.6 y penalización de presencia cero. Las respuestas directas generales utilizan temperatura 0.7, top_p 0.8 y penalización de presencia 1.5; top_k es 20, min_p es 0 y la penalización de repetición es 1.0. El razonamiento con respuesta directa tiene un preajuste independiente: temperatura 1.0, top_p 1.0, top_k 40 y penalización de presencia 2.0. Las penalizaciones de presencia mayores pueden mezclar idiomas o reducir ligeramente la calidad.\n\nLas capacidades de generación recomendadas son de 32,768 tokens para la mayoría de las consultas y de 81,920 para trabajo matemático o de programación excepcionalmente complejo; no son límites estrictos de salida establecidos por separado. Define el formato solicitado, conserva los identificadores de las fuentes y comprueba los cálculos, los valores extraídos y el código propuesto frente a las pruebas originales. El resultado útil es un artefacto textual completo cuyos supuestos y material de apoyo sigan siendo visibles.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B es el modelo de visión y lenguaje con mezcla de expertos de Qwen, con 122 mil millones de parámetros totales y 10 mil millones activados. Recibe texto, imágenes y vídeo para tareas de razonamiento, programación y agentes y devuelve texto, con pensamiento seleccionable y un contexto nativo de 262,144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.5: el modelo de expertos 122B-A10B
Qwen3.5-122B-A10B es un modelo de visión y lenguaje con posentrenamiento para tareas conjuntas de texto y visión. Acepta texto, imágenes y vídeo y devuelve texto, incluidas explicaciones, propuestas de código y artefactos documentales solicitados. La familia se construye mediante fusión temprana de texto y visión y aprendizaje por refuerzo en tareas progresivamente complejas, desarrollando razonamiento, programación, agentes y comprensión visual. Describe cobertura de 201 idiomas y dialectos, sin implicar que todos los idiomas o ámbitos tengan una fiabilidad idéntica.
Una tarea útil puede combinar una especificación técnica, diagramas y código pertinente y pedir al modelo que explique los componentes y devuelva una propuesta de implementación. Una tarea de análisis documental puede pedir una comparación con referencias a secciones o páginas de apoyo.
Descripción general del modelo
El punto de control de mezcla dispersa de expertos tiene 122 mil millones de parámetros en total y activa diez mil millones. Tiene 48 capas de modelo de lenguaje, con grupos de tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. El desarrollador indica 256 expertos enrutados, de los que selecciona ocho junto con un experto compartido. Un codificador visual y la predicción de múltiples tokens forman parte del modelo. Sus recuentos total y activado tienen significados diferentes; la cifra activada no es el tamaño del punto de control completo.
Esta edición es distinta de Qwen3.5-27B denso, Qwen3.5-35B-A3B disperso y generaciones posteriores de modelos. No infieras una clasificación general de rendimiento o latencia a partir del tamaño únicamente. El contexto nativo es de 262,144 tokens y la ampliación documentada alcanza 1,010,000 mediante configuración. Qwen aconseja conservar al menos un contexto de 128K cuando sea posible para pensamiento complejo, aunque reconoce que la presión de memoria puede requerir una ventana menor.
Preparación de pruebas conjuntas de texto y visión
Conserva las etiquetas de diagramas, los ejes de gráficos, las cabeceras de tablas y las unidades. Indica si el resultado debe explicar una relación, extraer campos identificados o proponer código. Cuando importen varias fuentes, etiquétalas y pide una salida organizada por los mismos identificadores. Separa los hechos visibles de los supuestos para que quien revise pueda rastrear el razonamiento hasta el material proporcionado.
Para una solicitud de programación, identifica el comportamiento previsto, el código pertinente y una entrada que demuestre el problema. Pide un parche editable con una explicación de las condiciones afectadas y las comprobaciones. Para vídeo, conserva la secuencia de eventos y los tiempos y especifica la pregunta, en lugar de pedir un resumen indiferenciado. El resultado textual del modelo es un borrador de artefacto que se debe inspeccionar; la capacidad de entrada visual no significa generación de imágenes, vídeo o voz.
Pensamiento e historial
El pensamiento está habilitado de forma predeterminada, con razonamiento antes de la respuesta final. El ajuste enable_thinking del desarrollador puede desactivarlo para respuestas directas. Los antiguos conmutadores textuales /think y /nothink no son compatibles oficialmente. Qwen3.5 recomienda conservar las respuestas finales sin contenido de pensamiento en los mensajes históricos del asistente. Esto no debe sustituirse por las opciones de conservación histórica de generaciones posteriores de Qwen simplemente por compartir un nombre de familia.
Mantén el resultado final fácil de localizar, como un campo de respuesta definido, un valor delimitado o un artefacto de código separado. Una respuesta directa sigue necesitando comprobación, mientras que un razonamiento más largo solo es útil cuando sus pasos respaldan una conclusión verificable.
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. Define las acciones permitidas, las pruebas disponibles y los criterios de finalización. Las herramientas conectadas ejecutan operaciones y devuelven resultados; el modelo utiliza esa retroalimentación en su análisis. Un comando, una consulta de recuperación o un parche propuestos deben mantenerse diferenciados de una acción realmente completada por la aplicación.
Contexto ultralargo y vídeo
La ampliación del desarrollador utiliza YaRN con los ajustes posicionales intercalados del punto de control. Un factor de cuatro se dirige al flujo de aproximadamente un millón de tokens y se sugiere dos para cargas de 524,288 tokens. El escalado estático puede afectar al rendimiento con textos más cortos, por lo que debe responder a una necesidad real de contexto mayor. La entrada, los elementos visuales representados, el historial, el razonamiento y la respuesta final utilizan el presupuesto de secuencia configurado.
El ejemplo de vídeo compatible utiliza de forma predeterminada dos fotogramas por segundo. Para material de una duración del orden de horas, el desarrollador recomienda aumentar el presupuesto del procesador a unos 224K tokens de vídeo para muestreo de mayor frecuencia. Es una receta dependiente de la configuración, no una garantía universal de duración multimedia, recuerdo completo o precisión de marcas de tiempo.
Orientación de generación y límites sustanciales
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización de presencia 1.5 y penalización de repetición 1.0 para pensamiento general. La programación precisa utiliza temperatura 0.6 y penalización de presencia cero. Las respuestas directas generales utilizan temperatura 0.7, top_p 0.8 y penalización de presencia 1.5; top_k es 20, min_p es 0 y la penalización de repetición es 1.0. El razonamiento con respuesta directa tiene un preajuste independiente: temperatura 1.0, top_p 1.0, top_k 40 y penalización de presencia 2.0. Las penalizaciones de presencia mayores pueden mezclar idiomas o reducir ligeramente la calidad.
Las capacidades de generación recomendadas son de 32,768 tokens para la mayoría de las consultas y de 81,920 para trabajo matemático o de programación excepcionalmente complejo; no son límites estrictos de salida establecidos por separado. Define el formato solicitado, conserva los identificadores de las fuentes y comprueba los cálculos, los valores extraídos y el código propuesto frente a las pruebas originales. El resultado útil es un artefacto textual completo cuyos supuestos y material de apoyo sigan siendo visibles.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-122b-a10b | 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 $0.00058 / 1K tokens Salida · Tokens de salida $0.00458 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.00058 / 1K tokens Salida · Tokens de salida $0.00458 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "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/qwen3.5-122b-a10b',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/qwen3.5-122b-a10b',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 las cabeceras. 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/qwen3.5-122b-a10b
Usa las rutas de método indicadas arriba.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B es el modelo de visión y lenguaje con mezcla de expertos de Qwen, con 122 mil millones de parámetros totales y 10 mil millones activados. Recibe texto, imágenes y vídeo para tareas de razonamiento, programación y agentes y devuelve texto, con pensamiento seleccionable y un contexto nativo de 262,144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.5: el modelo de expertos 122B-A10B
Qwen3.5-122B-A10B es un modelo de visión y lenguaje con posentrenamiento para tareas conjuntas de texto y visión. Acepta texto, imágenes y vídeo y devuelve texto, incluidas explicaciones, propuestas de código y artefactos documentales solicitados. La familia se construye mediante fusión temprana de texto y visión y aprendizaje por refuerzo en tareas progresivamente complejas, desarrollando razonamiento, programación, agentes y comprensión visual. Describe cobertura de 201 idiomas y dialectos, sin implicar que todos los idiomas o ámbitos tengan una fiabilidad idéntica.
Una tarea útil puede combinar una especificación técnica, diagramas y código pertinente y pedir al modelo que explique los componentes y devuelva una propuesta de implementación. Una tarea de análisis documental puede pedir una comparación con referencias a secciones o páginas de apoyo.
Descripción general del modelo
El punto de control de mezcla dispersa de expertos tiene 122 mil millones de parámetros en total y activa diez mil millones. Tiene 48 capas de modelo de lenguaje, con grupos de tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. El desarrollador indica 256 expertos enrutados, de los que selecciona ocho junto con un experto compartido. Un codificador visual y la predicción de múltiples tokens forman parte del modelo. Sus recuentos total y activado tienen significados diferentes; la cifra activada no es el tamaño del punto de control completo.
Esta edición es distinta de Qwen3.5-27B denso, Qwen3.5-35B-A3B disperso y generaciones posteriores de modelos. No infieras una clasificación general de rendimiento o latencia a partir del tamaño únicamente. El contexto nativo es de 262,144 tokens y la ampliación documentada alcanza 1,010,000 mediante configuración. Qwen aconseja conservar al menos un contexto de 128K cuando sea posible para pensamiento complejo, aunque reconoce que la presión de memoria puede requerir una ventana menor.
Preparación de pruebas conjuntas de texto y visión
Conserva las etiquetas de diagramas, los ejes de gráficos, las cabeceras de tablas y las unidades. Indica si el resultado debe explicar una relación, extraer campos identificados o proponer código. Cuando importen varias fuentes, etiquétalas y pide una salida organizada por los mismos identificadores. Separa los hechos visibles de los supuestos para que quien revise pueda rastrear el razonamiento hasta el material proporcionado.
Para una solicitud de programación, identifica el comportamiento previsto, el código pertinente y una entrada que demuestre el problema. Pide un parche editable con una explicación de las condiciones afectadas y las comprobaciones. Para vídeo, conserva la secuencia de eventos y los tiempos y especifica la pregunta, en lugar de pedir un resumen indiferenciado. El resultado textual del modelo es un borrador de artefacto que se debe inspeccionar; la capacidad de entrada visual no significa generación de imágenes, vídeo o voz.
Pensamiento e historial
El pensamiento está habilitado de forma predeterminada, con razonamiento antes de la respuesta final. El ajuste enable_thinking del desarrollador puede desactivarlo para respuestas directas. Los antiguos conmutadores textuales /think y /nothink no son compatibles oficialmente. Qwen3.5 recomienda conservar las respuestas finales sin contenido de pensamiento en los mensajes históricos del asistente. Esto no debe sustituirse por las opciones de conservación histórica de generaciones posteriores de Qwen simplemente por compartir un nombre de familia.
Mantén el resultado final fácil de localizar, como un campo de respuesta definido, un valor delimitado o un artefacto de código separado. Una respuesta directa sigue necesitando comprobación, mientras que un razonamiento más largo solo es útil cuando sus pasos respaldan una conclusión verificable.
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. Define las acciones permitidas, las pruebas disponibles y los criterios de finalización. Las herramientas conectadas ejecutan operaciones y devuelven resultados; el modelo utiliza esa retroalimentación en su análisis. Un comando, una consulta de recuperación o un parche propuestos deben mantenerse diferenciados de una acción realmente completada por la aplicación.
Contexto ultralargo y vídeo
La ampliación del desarrollador utiliza YaRN con los ajustes posicionales intercalados del punto de control. Un factor de cuatro se dirige al flujo de aproximadamente un millón de tokens y se sugiere dos para cargas de 524,288 tokens. El escalado estático puede afectar al rendimiento con textos más cortos, por lo que debe responder a una necesidad real de contexto mayor. La entrada, los elementos visuales representados, el historial, el razonamiento y la respuesta final utilizan el presupuesto de secuencia configurado.
El ejemplo de vídeo compatible utiliza de forma predeterminada dos fotogramas por segundo. Para material de una duración del orden de horas, el desarrollador recomienda aumentar el presupuesto del procesador a unos 224K tokens de vídeo para muestreo de mayor frecuencia. Es una receta dependiente de la configuración, no una garantía universal de duración multimedia, recuerdo completo o precisión de marcas de tiempo.
Orientación de generación y límites sustanciales
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización de presencia 1.5 y penalización de repetición 1.0 para pensamiento general. La programación precisa utiliza temperatura 0.6 y penalización de presencia cero. Las respuestas directas generales utilizan temperatura 0.7, top_p 0.8 y penalización de presencia 1.5; top_k es 20, min_p es 0 y la penalización de repetición es 1.0. El razonamiento con respuesta directa tiene un preajuste independiente: temperatura 1.0, top_p 1.0, top_k 40 y penalización de presencia 2.0. Las penalizaciones de presencia mayores pueden mezclar idiomas o reducir ligeramente la calidad.
Las capacidades de generación recomendadas son de 32,768 tokens para la mayoría de las consultas y de 81,920 para trabajo matemático o de programación excepcionalmente complejo; no son límites estrictos de salida establecidos por separado. Define el formato solicitado, conserva los identificadores de las fuentes y comprueba los cálculos, los valores extraídos y el código propuesto frente a las pruebas originales. El resultado útil es un artefacto textual completo cuyos supuestos y material de apoyo sigan siendo visibles.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-122b-a10b | 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 $0.00058 / 1K tokens Salida · Tokens de salida $0.00458 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.00058 / 1K tokens Salida · Tokens de salida $0.00458 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-122b-a10b', '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/qwen3.5-122b-a10b', '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 las cabeceras. 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/qwen3.5-122b-a10b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.