Aspectos destacados de Qwen3.5 en la edición densa 27B
Qwen3.5-27B es un modelo denso de visión y lenguaje con posentrenamiento. El texto, las imágenes y el vídeo pueden participar en una tarea, mientras que el resultado es texto: una explicación, una propuesta de código, información extraída u otro artefacto solicitado. La fusión temprana del entrenamiento textual y visual de la familia desarrolla capacidades de razonamiento, programación, agentes y visión, con aprendizaje por refuerzo en tareas de complejidad creciente y compatibilidad con 201 idiomas y dialectos.
Esa cobertura lingüística ayuda a plantear tareas multilingües, pero no garantiza una fiabilidad idéntica para todos los dialectos o vocabularios especializados. Proporciona el idioma objetivo, el público y los términos que deben permanecer sin cambios. Para una comparación documental entre idiomas, etiqueta cada fuente y pide un resultado organizado según los hechos o preguntas que se deban comparar.
Descripción general del modelo
La edición 27B exacta es densa, con 64 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida alterna grupos de tres capas Gated DeltaNet y una capa de atención con compuertas, con redes de propagación hacia delante densas. La predicción de múltiples tokens está incluida en el entrenamiento. La arquitectura de mezcla dispersa de expertos descrita para otros tamaños Qwen3.5 no debe atribuirse a este modelo; su identidad de 27 mil millones de parámetros es su propia especificación de punto de control.
El contexto nativo es de 262,144 tokens, con ampliación condicional a 1,010,000. Qwen recomienda conservar al menos un contexto de 128K cuando sea posible para tareas de pensamiento complejas, permitiendo ajustes menores cuando las restricciones de memoria lo requieran. Es una orientación de configuración, no una prueba de que todas las interfaces expongan el contexto completo. El texto de origen, los tokens visuales, el historial, el razonamiento y la respuesta comparten la capacidad de secuencia.
Preparación textual y visual
Para un documento técnico, conserva los identificadores de sección y pide una tabla de requisitos o una explicación respaldada por esas secciones. Para un diagrama, conserva las etiquetas y proporciona las definiciones que no sean visibles en la imagen. Para una tarea de código, proporciona la función pertinente, el comportamiento observado y el resultado requerido. Una respuesta útil debe identificar las pruebas utilizadas, separar los supuestos y devolver el artefacto final en una forma revisable.
Para una pregunta de vídeo, identifica el evento o la secuencia que importa y conserva los tiempos y el orden de los fotogramas. El ejemplo del desarrollador utiliza dos fotogramas por segundo en su flujo compatible. Su orientación de vídeos largos recomienda un presupuesto mayor del procesador, correspondiente a unos 224K tokens de vídeo, para análisis de mayor frecuencia de material de una duración del orden de horas. Esos ajustes requieren configuración y no establecen una duración universal ni una garantía exacta de marcas de tiempo de eventos.
Pensamiento y respuestas directas
El pensamiento está habilitado de forma predeterminada y precede a la respuesta final. enable_thinking puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos conmutadores textuales /think y /nothink. El desarrollador recomienda conservar únicamente el texto de respuesta final en los mensajes históricos del asistente, en lugar del contenido de pensamiento. Estas son las condiciones de Qwen3.5 y deben mantenerse separadas del comportamiento de conservación del razonamiento histórico documentado para versiones posteriores.
Elige una forma final antes de enviar la tarea: una conclusión breve con valores de apoyo, una tabla de campos extraídos o un parche de código explicado. Una respuesta directa sigue siendo una respuesta generada que se debe revisar; una transcripción extensa de pensamiento no es una prueba independiente de que su conclusión sea correcta.
Uso como agente
El desarrollador admite llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, además de Qwen Code para flujos de agentes de programación. Da a las herramientas de la aplicación una función clara y devuelve sus observaciones reales al modelo. El modelo puede planificar y revisar utilizando esa retroalimentación, mientras que la aplicación realiza las acciones. La compatibilidad con herramientas no establece por sí sola acceso integrado a internet, archivos o un entorno de ejecución de código a través de todas las interfaces.
Texto ultralargo
La ampliación utiliza YaRN con la configuración posicional propia del punto de control. Un factor de cuatro se dirige al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para 524,288 tokens. El escalado estático puede reducir la calidad con textos más cortos, por lo que el desarrollador lo recomienda cuando realmente se necesite el contexto mayor. Mantén organizado el material largo y reserva espacio para la respuesta requerida, en lugar de interpretar la cifra mayor de contexto como recuerdo ilimitado de documentos.
Orientación de generación y límites
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización 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 utiliza el preajuste independiente de buenas prácticas de 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.
Los presupuestos de generación recomendados son de 32,768 tokens para la mayoría de las tareas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos de salida independientes. Indica expresamente el esquema o delimitador de respuesta y comprueba el código, los cálculos, las citas y los detalles visuales frente a la fuente. El resultado útil es un artefacto textual concreto con la identidad exacta densa 27B, las entradas y el modo de respuesta conservados.
", "aboutText": "Aspectos destacados de Qwen3.5 en la edición densa 27B\n\nQwen3.5-27B es un modelo denso de visión y lenguaje con posentrenamiento. El texto, las imágenes y el vídeo pueden participar en una tarea, mientras que el resultado es texto: una explicación, una propuesta de código, información extraída u otro artefacto solicitado. La fusión temprana del entrenamiento textual y visual de la familia desarrolla capacidades de razonamiento, programación, agentes y visión, con aprendizaje por refuerzo en tareas de complejidad creciente y compatibilidad con 201 idiomas y dialectos.\n\nEsa cobertura lingüística ayuda a plantear tareas multilingües, pero no garantiza una fiabilidad idéntica para todos los dialectos o vocabularios especializados. Proporciona el idioma objetivo, el público y los términos que deben permanecer sin cambios. Para una comparación documental entre idiomas, etiqueta cada fuente y pide un resultado organizado según los hechos o preguntas que se deban comparar.\n\nDescripción general del modelo\n\nLa edición 27B exacta es densa, con 64 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida alterna grupos de tres capas Gated DeltaNet y una capa de atención con compuertas, con redes de propagación hacia delante densas. La predicción de múltiples tokens está incluida en el entrenamiento. La arquitectura de mezcla dispersa de expertos descrita para otros tamaños Qwen3.5 no debe atribuirse a este modelo; su identidad de 27 mil millones de parámetros es su propia especificación de punto de control.\n\nEl contexto nativo es de 262,144 tokens, con ampliación condicional a 1,010,000. Qwen recomienda conservar al menos un contexto de 128K cuando sea posible para tareas de pensamiento complejas, permitiendo ajustes menores cuando las restricciones de memoria lo requieran. Es una orientación de configuración, no una prueba de que todas las interfaces expongan el contexto completo. El texto de origen, los tokens visuales, el historial, el razonamiento y la respuesta comparten la capacidad de secuencia.\n\nPreparación textual y visual\n\nPara un documento técnico, conserva los identificadores de sección y pide una tabla de requisitos o una explicación respaldada por esas secciones. Para un diagrama, conserva las etiquetas y proporciona las definiciones que no sean visibles en la imagen. Para una tarea de código, proporciona la función pertinente, el comportamiento observado y el resultado requerido. Una respuesta útil debe identificar las pruebas utilizadas, separar los supuestos y devolver el artefacto final en una forma revisable.\n\nPara una pregunta de vídeo, identifica el evento o la secuencia que importa y conserva los tiempos y el orden de los fotogramas. El ejemplo del desarrollador utiliza dos fotogramas por segundo en su flujo compatible. Su orientación de vídeos largos recomienda un presupuesto mayor del procesador, correspondiente a unos 224K tokens de vídeo, para análisis de mayor frecuencia de material de una duración del orden de horas. Esos ajustes requieren configuración y no establecen una duración universal ni una garantía exacta de marcas de tiempo de eventos.\n\nPensamiento y respuestas directas\n\nEl pensamiento está habilitado de forma predeterminada y precede a la respuesta final. enable_thinking puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos conmutadores textuales /think y /nothink. El desarrollador recomienda conservar únicamente el texto de respuesta final en los mensajes históricos del asistente, en lugar del contenido de pensamiento. Estas son las condiciones de Qwen3.5 y deben mantenerse separadas del comportamiento de conservación del razonamiento histórico documentado para versiones posteriores.\n\nElige una forma final antes de enviar la tarea: una conclusión breve con valores de apoyo, una tabla de campos extraídos o un parche de código explicado. Una respuesta directa sigue siendo una respuesta generada que se debe revisar; una transcripción extensa de pensamiento no es una prueba independiente de que su conclusión sea correcta.\n\nUso como agente\n\nEl desarrollador admite llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, además de Qwen Code para flujos de agentes de programación. Da a las herramientas de la aplicación una función clara y devuelve sus observaciones reales al modelo. El modelo puede planificar y revisar utilizando esa retroalimentación, mientras que la aplicación realiza las acciones. La compatibilidad con herramientas no establece por sí sola acceso integrado a internet, archivos o un entorno de ejecución de código a través de todas las interfaces.\n\nTexto ultralargo\n\nLa ampliación utiliza YaRN con la configuración posicional propia del punto de control. Un factor de cuatro se dirige al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para 524,288 tokens. El escalado estático puede reducir la calidad con textos más cortos, por lo que el desarrollador lo recomienda cuando realmente se necesite el contexto mayor. Mantén organizado el material largo y reserva espacio para la respuesta requerida, en lugar de interpretar la cifra mayor de contexto como recuerdo ilimitado de documentos.\n\nOrientación de generación y límites\n\nLas buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización 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 utiliza el preajuste independiente de buenas prácticas de 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\nLos presupuestos de generación recomendados son de 32,768 tokens para la mayoría de las tareas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos de salida independientes. Indica expresamente el esquema o delimitador de respuesta y comprueba el código, los cálculos, las citas y los detalles visuales frente a la fuente. El resultado útil es un artefacto textual concreto con la identidad exacta densa 27B, las entradas y el modo de respuesta conservados.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B es el modelo denso de visión y lenguaje de Qwen de 27 mil millones de parámetros para texto, imágenes y vídeo, con salida textual. Admite razonamiento, programación, trabajo asistido por herramientas y tareas multilingües, con pensamiento seleccionable y un contexto nativo de 262,144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.5 en la edición densa 27B
Qwen3.5-27B es un modelo denso de visión y lenguaje con posentrenamiento. El texto, las imágenes y el vídeo pueden participar en una tarea, mientras que el resultado es texto: una explicación, una propuesta de código, información extraída u otro artefacto solicitado. La fusión temprana del entrenamiento textual y visual de la familia desarrolla capacidades de razonamiento, programación, agentes y visión, con aprendizaje por refuerzo en tareas de complejidad creciente y compatibilidad con 201 idiomas y dialectos.
Esa cobertura lingüística ayuda a plantear tareas multilingües, pero no garantiza una fiabilidad idéntica para todos los dialectos o vocabularios especializados. Proporciona el idioma objetivo, el público y los términos que deben permanecer sin cambios. Para una comparación documental entre idiomas, etiqueta cada fuente y pide un resultado organizado según los hechos o preguntas que se deban comparar.
Descripción general del modelo
La edición 27B exacta es densa, con 64 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida alterna grupos de tres capas Gated DeltaNet y una capa de atención con compuertas, con redes de propagación hacia delante densas. La predicción de múltiples tokens está incluida en el entrenamiento. La arquitectura de mezcla dispersa de expertos descrita para otros tamaños Qwen3.5 no debe atribuirse a este modelo; su identidad de 27 mil millones de parámetros es su propia especificación de punto de control.
El contexto nativo es de 262,144 tokens, con ampliación condicional a 1,010,000. Qwen recomienda conservar al menos un contexto de 128K cuando sea posible para tareas de pensamiento complejas, permitiendo ajustes menores cuando las restricciones de memoria lo requieran. Es una orientación de configuración, no una prueba de que todas las interfaces expongan el contexto completo. El texto de origen, los tokens visuales, el historial, el razonamiento y la respuesta comparten la capacidad de secuencia.
Preparación textual y visual
Para un documento técnico, conserva los identificadores de sección y pide una tabla de requisitos o una explicación respaldada por esas secciones. Para un diagrama, conserva las etiquetas y proporciona las definiciones que no sean visibles en la imagen. Para una tarea de código, proporciona la función pertinente, el comportamiento observado y el resultado requerido. Una respuesta útil debe identificar las pruebas utilizadas, separar los supuestos y devolver el artefacto final en una forma revisable.
Para una pregunta de vídeo, identifica el evento o la secuencia que importa y conserva los tiempos y el orden de los fotogramas. El ejemplo del desarrollador utiliza dos fotogramas por segundo en su flujo compatible. Su orientación de vídeos largos recomienda un presupuesto mayor del procesador, correspondiente a unos 224K tokens de vídeo, para análisis de mayor frecuencia de material de una duración del orden de horas. Esos ajustes requieren configuración y no establecen una duración universal ni una garantía exacta de marcas de tiempo de eventos.
Pensamiento y respuestas directas
El pensamiento está habilitado de forma predeterminada y precede a la respuesta final. enable_thinking puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos conmutadores textuales /think y /nothink. El desarrollador recomienda conservar únicamente el texto de respuesta final en los mensajes históricos del asistente, en lugar del contenido de pensamiento. Estas son las condiciones de Qwen3.5 y deben mantenerse separadas del comportamiento de conservación del razonamiento histórico documentado para versiones posteriores.
Elige una forma final antes de enviar la tarea: una conclusión breve con valores de apoyo, una tabla de campos extraídos o un parche de código explicado. Una respuesta directa sigue siendo una respuesta generada que se debe revisar; una transcripción extensa de pensamiento no es una prueba independiente de que su conclusión sea correcta.
Uso como agente
El desarrollador admite llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, además de Qwen Code para flujos de agentes de programación. Da a las herramientas de la aplicación una función clara y devuelve sus observaciones reales al modelo. El modelo puede planificar y revisar utilizando esa retroalimentación, mientras que la aplicación realiza las acciones. La compatibilidad con herramientas no establece por sí sola acceso integrado a internet, archivos o un entorno de ejecución de código a través de todas las interfaces.
Texto ultralargo
La ampliación utiliza YaRN con la configuración posicional propia del punto de control. Un factor de cuatro se dirige al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para 524,288 tokens. El escalado estático puede reducir la calidad con textos más cortos, por lo que el desarrollador lo recomienda cuando realmente se necesite el contexto mayor. Mantén organizado el material largo y reserva espacio para la respuesta requerida, en lugar de interpretar la cifra mayor de contexto como recuerdo ilimitado de documentos.
Orientación de generación y límites
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización 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 utiliza el preajuste independiente de buenas prácticas de 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.
Los presupuestos de generación recomendados son de 32,768 tokens para la mayoría de las tareas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos de salida independientes. Indica expresamente el esquema o delimitador de respuesta y comprueba el código, los cálculos, las citas y los detalles visuales frente a la fuente. El resultado útil es un artefacto textual concreto con la identidad exacta densa 27B, las entradas y el modo de respuesta conservados.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-27b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00052 / 1K tokens Salida · Tokens de salida $0.00412 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| 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 $0.00052 / 1K tokens Salida · Tokens de salida $0.00412 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y 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/qwen3.5-27b
Usa las rutas de método indicadas arriba.
qwen/qwen3.5-27bQwen3.5-27B es el modelo denso de visión y lenguaje de Qwen de 27 mil millones de parámetros para texto, imágenes y vídeo, con salida textual. Admite razonamiento, programación, trabajo asistido por herramientas y tareas multilingües, con pensamiento seleccionable y un contexto nativo de 262,144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.5 en la edición densa 27B
Qwen3.5-27B es un modelo denso de visión y lenguaje con posentrenamiento. El texto, las imágenes y el vídeo pueden participar en una tarea, mientras que el resultado es texto: una explicación, una propuesta de código, información extraída u otro artefacto solicitado. La fusión temprana del entrenamiento textual y visual de la familia desarrolla capacidades de razonamiento, programación, agentes y visión, con aprendizaje por refuerzo en tareas de complejidad creciente y compatibilidad con 201 idiomas y dialectos.
Esa cobertura lingüística ayuda a plantear tareas multilingües, pero no garantiza una fiabilidad idéntica para todos los dialectos o vocabularios especializados. Proporciona el idioma objetivo, el público y los términos que deben permanecer sin cambios. Para una comparación documental entre idiomas, etiqueta cada fuente y pide un resultado organizado según los hechos o preguntas que se deban comparar.
Descripción general del modelo
La edición 27B exacta es densa, con 64 capas de modelo de lenguaje y un codificador visual. Su disposición híbrida alterna grupos de tres capas Gated DeltaNet y una capa de atención con compuertas, con redes de propagación hacia delante densas. La predicción de múltiples tokens está incluida en el entrenamiento. La arquitectura de mezcla dispersa de expertos descrita para otros tamaños Qwen3.5 no debe atribuirse a este modelo; su identidad de 27 mil millones de parámetros es su propia especificación de punto de control.
El contexto nativo es de 262,144 tokens, con ampliación condicional a 1,010,000. Qwen recomienda conservar al menos un contexto de 128K cuando sea posible para tareas de pensamiento complejas, permitiendo ajustes menores cuando las restricciones de memoria lo requieran. Es una orientación de configuración, no una prueba de que todas las interfaces expongan el contexto completo. El texto de origen, los tokens visuales, el historial, el razonamiento y la respuesta comparten la capacidad de secuencia.
Preparación textual y visual
Para un documento técnico, conserva los identificadores de sección y pide una tabla de requisitos o una explicación respaldada por esas secciones. Para un diagrama, conserva las etiquetas y proporciona las definiciones que no sean visibles en la imagen. Para una tarea de código, proporciona la función pertinente, el comportamiento observado y el resultado requerido. Una respuesta útil debe identificar las pruebas utilizadas, separar los supuestos y devolver el artefacto final en una forma revisable.
Para una pregunta de vídeo, identifica el evento o la secuencia que importa y conserva los tiempos y el orden de los fotogramas. El ejemplo del desarrollador utiliza dos fotogramas por segundo en su flujo compatible. Su orientación de vídeos largos recomienda un presupuesto mayor del procesador, correspondiente a unos 224K tokens de vídeo, para análisis de mayor frecuencia de material de una duración del orden de horas. Esos ajustes requieren configuración y no establecen una duración universal ni una garantía exacta de marcas de tiempo de eventos.
Pensamiento y respuestas directas
El pensamiento está habilitado de forma predeterminada y precede a la respuesta final. enable_thinking puede desactivarlo para una respuesta directa. Qwen3.5 no admite oficialmente los antiguos conmutadores textuales /think y /nothink. El desarrollador recomienda conservar únicamente el texto de respuesta final en los mensajes históricos del asistente, en lugar del contenido de pensamiento. Estas son las condiciones de Qwen3.5 y deben mantenerse separadas del comportamiento de conservación del razonamiento histórico documentado para versiones posteriores.
Elige una forma final antes de enviar la tarea: una conclusión breve con valores de apoyo, una tabla de campos extraídos o un parche de código explicado. Una respuesta directa sigue siendo una respuesta generada que se debe revisar; una transcripción extensa de pensamiento no es una prueba independiente de que su conclusión sea correcta.
Uso como agente
El desarrollador admite llamadas a herramientas y recomienda Qwen-Agent con herramientas configuradas o conectadas mediante MCP, además de Qwen Code para flujos de agentes de programación. Da a las herramientas de la aplicación una función clara y devuelve sus observaciones reales al modelo. El modelo puede planificar y revisar utilizando esa retroalimentación, mientras que la aplicación realiza las acciones. La compatibilidad con herramientas no establece por sí sola acceso integrado a internet, archivos o un entorno de ejecución de código a través de todas las interfaces.
Texto ultralargo
La ampliación utiliza YaRN con la configuración posicional propia del punto de control. Un factor de cuatro se dirige al flujo de aproximadamente un millón de tokens; se sugiere un factor de dos para 524,288 tokens. El escalado estático puede reducir la calidad con textos más cortos, por lo que el desarrollador lo recomienda cuando realmente se necesite el contexto mayor. Mantén organizado el material largo y reserva espacio para la respuesta requerida, en lugar de interpretar la cifra mayor de contexto como recuerdo ilimitado de documentos.
Orientación de generación y límites
Las buenas prácticas recomiendan temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización 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 utiliza el preajuste independiente de buenas prácticas de 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.
Los presupuestos de generación recomendados son de 32,768 tokens para la mayoría de las tareas y de 81,920 para matemáticas o programación excepcionalmente complejas. No son límites estrictos de salida independientes. Indica expresamente el esquema o delimitador de respuesta y comprueba el código, los cálculos, las citas y los detalles visuales frente a la fuente. El resultado útil es un artefacto textual concreto con la identidad exacta densa 27B, las entradas y el modo de respuesta conservados.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.5-27b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00052 / 1K tokens Salida · Tokens de salida $0.00412 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| 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 $0.00052 / 1K tokens Salida · Tokens de salida $0.00412 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y 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/qwen3.5-27b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.