Aspectos destacados de Qwen3.6: programación y continuidad del razonamiento
Qwen3.6-35B-A3B es un modelo de visión y lenguaje centrado en trabajo útil de programación y agentes. Qwen destaca flujos frontend y razonamiento a nivel de repositorio más sólidos, además de una nueva opción para conservar el pensamiento de mensajes históricos. Acepta texto, imágenes y vídeo y devuelve texto: una explicación, propuesta de código, análisis estructurado u otro artefacto textual solicitado. Conserva esta edición exacta 35B-A3B, en lugar de tratarla como el modelo denso Qwen3.6-27B o su homólogo anterior Qwen3.5.
Para una tarea frontend, proporciona la captura de pantalla pertinente, los requisitos funcionales y el contexto de código existente. Pide código fuente editable y una descripción de los estados e interacciones previstos. Para una tarea de repositorio, identifica la función afectada, la entrada que pone de manifiesto un problema y el comportamiento esperado. Pide un parche propuesto con sus supuestos y comprobaciones pertinentes.
Descripción general del modelo
El modelo de mezcla de expertos tiene 35 mil millones de parámetros en total y activa tres mil millones. Su disposición híbrida de 40 capas repite tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. Tiene 256 expertos enrutados y selecciona ocho junto con un experto compartido; la predicción de múltiples tokens forma parte del entrenamiento. El recuento activado menor no describe el tamaño completo del punto de control. Un codificador visual proporciona la parte visual del modelo.
El contexto nativo es de 262,144 tokens, con ampliación condicional a 1,010,000. El desarrollador recomienda conservar un contexto de al menos 128K cuando sea posible para tareas de pensamiento complejas, aunque reducirlo aliviase la presión de memoria. El texto de origen, los elementos visuales representados, los mensajes históricos, el razonamiento y la respuesta final comparten la capacidad de secuencia configurada.
Uso de entradas y modos de respuesta
La ficha muestra preguntas de texto, imagen y vídeo. Para un diagrama o una página, conserva las etiquetas y define la pregunta exacta. Para un clip, conserva los tiempos e indica el evento de interés. El ejemplo de vídeo compatible del desarrollador utiliza de forma predeterminada dos fotogramas por segundo y permite configurar el muestreo. La receta de buenas prácticas amplía el presupuesto del procesador de vídeo a unos 224K tokens de vídeo para análisis de mayor frecuencia de material de una duración del orden de horas; es un ejemplo de configuración, no un límite universal estricto de duración de clip.
El pensamiento está habilitado de forma predeterminada. El control enable_thinking del desarrollador puede desactivarlo para una respuesta directa. Qwen3.6 no admite oficialmente los antiguos conmutadores textuales /think y /nothink de Qwen3. Separa el razonamiento del artefacto final al presentar un resultado y sigue la propia interfaz de este punto de control, en lugar de dar por hecho que se aplicarán marcadores de prompt o controles de otra generación.
Conservación del pensamiento histórico
De forma predeterminada, la plantilla conserva los bloques de pensamiento asociados al último mensaje del usuario. Qwen3.6 se ha entrenado además para utilizar razonamiento histórico cuando preserve_thinking está habilitado. Su ejemplo explícito establece esa opción en true. Esto puede ayudar a una tarea iterativa de agente a conservar el contexto de decisiones en lugar de volver a deducir repetidamente las elecciones anteriores; también cambia la cantidad de historial que lleva la solicitud. La disponibilidad de la opción depende de que la interfaz exponga la receta del desarrollador.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent para configurar herramientas, incluidas las conectadas mediante MCP. Qwen Code es otro flujo de agentes de programación documentado por el desarrollador. Define las herramientas permitidas, el objetivo de la tarea y el entregable esperado, y después devuelve al modelo observaciones reales de herramientas. El modelo puede razonar sobre un resultado y revisar un plan; el acceso a archivos o entornos de ejecución procede de la aplicación conectada, no del nombre del modelo.
Texto ultralargo
La ampliación documentada de contexto 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; para cargas de 524,288 tokens, Qwen sugiere un factor de dos. El escalado estático puede afectar al rendimiento con textos más cortos, por lo que el desarrollador recomienda cambiarlo cuando se necesite el contexto mayor. Conserva los identificadores de sección y código en una entrada grande y pide que el resultado muestre qué pruebas respaldan cada conclusión.
Orientación de generación y límites
Para pensamiento general, el desarrollador recomienda 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 programación precisa, la temperatura pasa a 0.6 y la penalización de presencia a cero. Para respuestas directas, recomienda temperatura 0.7, top_p 0.8 y penalización de presencia 1.5, sin cambiar los demás valores. Las penalizaciones de presencia mayores pueden reducir la repetición, pero pueden mezclar idiomas o reducir ligeramente la calidad.
Qwen recomienda una capacidad de generación de 32,768 tokens para la mayoría de las preguntas y de 81,920 para tareas matemáticas o de programación excepcionalmente complejas. Son recomendaciones, no límites estrictos de salida establecidos por separado. Indica de forma explícita el formato final y comprueba el código, los cálculos y los detalles visuales extraídos frente a la fuente. La continuidad del razonamiento y el contexto largo ayudan a mantener las pruebas de una tarea, mientras que un artefacto final comprobable hace útil el resultado.
", "aboutText": "Aspectos destacados de Qwen3.6: programación y continuidad del razonamiento\n\nQwen3.6-35B-A3B es un modelo de visión y lenguaje centrado en trabajo útil de programación y agentes. Qwen destaca flujos frontend y razonamiento a nivel de repositorio más sólidos, además de una nueva opción para conservar el pensamiento de mensajes históricos. Acepta texto, imágenes y vídeo y devuelve texto: una explicación, propuesta de código, análisis estructurado u otro artefacto textual solicitado. Conserva esta edición exacta 35B-A3B, en lugar de tratarla como el modelo denso Qwen3.6-27B o su homólogo anterior Qwen3.5.\n\nPara una tarea frontend, proporciona la captura de pantalla pertinente, los requisitos funcionales y el contexto de código existente. Pide código fuente editable y una descripción de los estados e interacciones previstos. Para una tarea de repositorio, identifica la función afectada, la entrada que pone de manifiesto un problema y el comportamiento esperado. Pide un parche propuesto con sus supuestos y comprobaciones pertinentes.\n\nDescripción general del modelo\n\nEl modelo de mezcla de expertos tiene 35 mil millones de parámetros en total y activa tres mil millones. Su disposición híbrida de 40 capas repite tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. Tiene 256 expertos enrutados y selecciona ocho junto con un experto compartido; la predicción de múltiples tokens forma parte del entrenamiento. El recuento activado menor no describe el tamaño completo del punto de control. Un codificador visual proporciona la parte visual del modelo.\n\nEl contexto nativo es de 262,144 tokens, con ampliación condicional a 1,010,000. El desarrollador recomienda conservar un contexto de al menos 128K cuando sea posible para tareas de pensamiento complejas, aunque reducirlo aliviase la presión de memoria. El texto de origen, los elementos visuales representados, los mensajes históricos, el razonamiento y la respuesta final comparten la capacidad de secuencia configurada.\n\nUso de entradas y modos de respuesta\n\nLa ficha muestra preguntas de texto, imagen y vídeo. Para un diagrama o una página, conserva las etiquetas y define la pregunta exacta. Para un clip, conserva los tiempos e indica el evento de interés. El ejemplo de vídeo compatible del desarrollador utiliza de forma predeterminada dos fotogramas por segundo y permite configurar el muestreo. La receta de buenas prácticas amplía el presupuesto del procesador de vídeo a unos 224K tokens de vídeo para análisis de mayor frecuencia de material de una duración del orden de horas; es un ejemplo de configuración, no un límite universal estricto de duración de clip.\n\nEl pensamiento está habilitado de forma predeterminada. El control enable_thinking del desarrollador puede desactivarlo para una respuesta directa. Qwen3.6 no admite oficialmente los antiguos conmutadores textuales /think y /nothink de Qwen3. Separa el razonamiento del artefacto final al presentar un resultado y sigue la propia interfaz de este punto de control, en lugar de dar por hecho que se aplicarán marcadores de prompt o controles de otra generación.\n\nConservación del pensamiento histórico\n\nDe forma predeterminada, la plantilla conserva los bloques de pensamiento asociados al último mensaje del usuario. Qwen3.6 se ha entrenado además para utilizar razonamiento histórico cuando preserve_thinking está habilitado. Su ejemplo explícito establece esa opción en true. Esto puede ayudar a una tarea iterativa de agente a conservar el contexto de decisiones en lugar de volver a deducir repetidamente las elecciones anteriores; también cambia la cantidad de historial que lleva la solicitud. La disponibilidad de la opción depende de que la interfaz exponga la receta del desarrollador.\n\nUso como agente\n\nQwen documenta llamadas a herramientas y recomienda Qwen-Agent para configurar herramientas, incluidas las conectadas mediante MCP. Qwen Code es otro flujo de agentes de programación documentado por el desarrollador. Define las herramientas permitidas, el objetivo de la tarea y el entregable esperado, y después devuelve al modelo observaciones reales de herramientas. El modelo puede razonar sobre un resultado y revisar un plan; el acceso a archivos o entornos de ejecución procede de la aplicación conectada, no del nombre del modelo.\n\nTexto ultralargo\n\nLa ampliación documentada de contexto 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; para cargas de 524,288 tokens, Qwen sugiere un factor de dos. El escalado estático puede afectar al rendimiento con textos más cortos, por lo que el desarrollador recomienda cambiarlo cuando se necesite el contexto mayor. Conserva los identificadores de sección y código en una entrada grande y pide que el resultado muestre qué pruebas respaldan cada conclusión.\n\nOrientación de generación y límites\n\nPara pensamiento general, el desarrollador recomienda 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 programación precisa, la temperatura pasa a 0.6 y la penalización de presencia a cero. Para respuestas directas, recomienda temperatura 0.7, top_p 0.8 y penalización de presencia 1.5, sin cambiar los demás valores. Las penalizaciones de presencia mayores pueden reducir la repetición, pero pueden mezclar idiomas o reducir ligeramente la calidad.\n\nQwen recomienda una capacidad de generación de 32,768 tokens para la mayoría de las preguntas y de 81,920 para tareas matemáticas o de programación excepcionalmente complejas. Son recomendaciones, no límites estrictos de salida establecidos por separado. Indica de forma explícita el formato final y comprueba el código, los cálculos y los detalles visuales extraídos frente a la fuente. La continuidad del razonamiento y el contexto largo ayudan a mantener las pruebas de una tarea, mientras que un artefacto final comprobable hace útil el resultado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B es el modelo de visión y lenguaje con mezcla de expertos de Qwen, con 35 mil millones de parámetros totales y 3 mil millones activados. Se centra en programación frontend y a nivel de repositorio, añade conservación opcional del razonamiento histórico y acepta texto, imágenes y vídeo con salida textual.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.6: programación y continuidad del razonamiento
Qwen3.6-35B-A3B es un modelo de visión y lenguaje centrado en trabajo útil de programación y agentes. Qwen destaca flujos frontend y razonamiento a nivel de repositorio más sólidos, además de una nueva opción para conservar el pensamiento de mensajes históricos. Acepta texto, imágenes y vídeo y devuelve texto: una explicación, propuesta de código, análisis estructurado u otro artefacto textual solicitado. Conserva esta edición exacta 35B-A3B, en lugar de tratarla como el modelo denso Qwen3.6-27B o su homólogo anterior Qwen3.5.
Para una tarea frontend, proporciona la captura de pantalla pertinente, los requisitos funcionales y el contexto de código existente. Pide código fuente editable y una descripción de los estados e interacciones previstos. Para una tarea de repositorio, identifica la función afectada, la entrada que pone de manifiesto un problema y el comportamiento esperado. Pide un parche propuesto con sus supuestos y comprobaciones pertinentes.
Descripción general del modelo
El modelo de mezcla de expertos tiene 35 mil millones de parámetros en total y activa tres mil millones. Su disposición híbrida de 40 capas repite tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. Tiene 256 expertos enrutados y selecciona ocho junto con un experto compartido; la predicción de múltiples tokens forma parte del entrenamiento. El recuento activado menor no describe el tamaño completo del punto de control. Un codificador visual proporciona la parte visual del modelo.
El contexto nativo es de 262,144 tokens, con ampliación condicional a 1,010,000. El desarrollador recomienda conservar un contexto de al menos 128K cuando sea posible para tareas de pensamiento complejas, aunque reducirlo aliviase la presión de memoria. El texto de origen, los elementos visuales representados, los mensajes históricos, el razonamiento y la respuesta final comparten la capacidad de secuencia configurada.
Uso de entradas y modos de respuesta
La ficha muestra preguntas de texto, imagen y vídeo. Para un diagrama o una página, conserva las etiquetas y define la pregunta exacta. Para un clip, conserva los tiempos e indica el evento de interés. El ejemplo de vídeo compatible del desarrollador utiliza de forma predeterminada dos fotogramas por segundo y permite configurar el muestreo. La receta de buenas prácticas amplía el presupuesto del procesador de vídeo a unos 224K tokens de vídeo para análisis de mayor frecuencia de material de una duración del orden de horas; es un ejemplo de configuración, no un límite universal estricto de duración de clip.
El pensamiento está habilitado de forma predeterminada. El control enable_thinking del desarrollador puede desactivarlo para una respuesta directa. Qwen3.6 no admite oficialmente los antiguos conmutadores textuales /think y /nothink de Qwen3. Separa el razonamiento del artefacto final al presentar un resultado y sigue la propia interfaz de este punto de control, en lugar de dar por hecho que se aplicarán marcadores de prompt o controles de otra generación.
Conservación del pensamiento histórico
De forma predeterminada, la plantilla conserva los bloques de pensamiento asociados al último mensaje del usuario. Qwen3.6 se ha entrenado además para utilizar razonamiento histórico cuando preserve_thinking está habilitado. Su ejemplo explícito establece esa opción en true. Esto puede ayudar a una tarea iterativa de agente a conservar el contexto de decisiones en lugar de volver a deducir repetidamente las elecciones anteriores; también cambia la cantidad de historial que lleva la solicitud. La disponibilidad de la opción depende de que la interfaz exponga la receta del desarrollador.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent para configurar herramientas, incluidas las conectadas mediante MCP. Qwen Code es otro flujo de agentes de programación documentado por el desarrollador. Define las herramientas permitidas, el objetivo de la tarea y el entregable esperado, y después devuelve al modelo observaciones reales de herramientas. El modelo puede razonar sobre un resultado y revisar un plan; el acceso a archivos o entornos de ejecución procede de la aplicación conectada, no del nombre del modelo.
Texto ultralargo
La ampliación documentada de contexto 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; para cargas de 524,288 tokens, Qwen sugiere un factor de dos. El escalado estático puede afectar al rendimiento con textos más cortos, por lo que el desarrollador recomienda cambiarlo cuando se necesite el contexto mayor. Conserva los identificadores de sección y código en una entrada grande y pide que el resultado muestre qué pruebas respaldan cada conclusión.
Orientación de generación y límites
Para pensamiento general, el desarrollador recomienda 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 programación precisa, la temperatura pasa a 0.6 y la penalización de presencia a cero. Para respuestas directas, recomienda temperatura 0.7, top_p 0.8 y penalización de presencia 1.5, sin cambiar los demás valores. Las penalizaciones de presencia mayores pueden reducir la repetición, pero pueden mezclar idiomas o reducir ligeramente la calidad.
Qwen recomienda una capacidad de generación de 32,768 tokens para la mayoría de las preguntas y de 81,920 para tareas matemáticas o de programación excepcionalmente complejas. Son recomendaciones, no límites estrictos de salida establecidos por separado. Indica de forma explícita el formato final y comprueba el código, los cálculos y los detalles visuales extraídos frente a la fuente. La continuidad del razonamiento y el contexto largo ayudan a mantener las pruebas de una tarea, mientras que un artefacto final comprobable hace útil el resultado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.6-35b-a3b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000566 / 1K tokens Salida · Tokens de salida $0.00341 / 1K tokens Entrada · Lectura de caché $0.0001 / 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 $0.000566 / 1K tokens Salida · Tokens de salida $0.00341 / 1K tokens Entrada · Lectura de caché $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y 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/qwen3.6-35b-a3b
Usa las rutas de método indicadas arriba.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B es el modelo de visión y lenguaje con mezcla de expertos de Qwen, con 35 mil millones de parámetros totales y 3 mil millones activados. Se centra en programación frontend y a nivel de repositorio, añade conservación opcional del razonamiento histórico y acepta texto, imágenes y vídeo con salida textual.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.6: programación y continuidad del razonamiento
Qwen3.6-35B-A3B es un modelo de visión y lenguaje centrado en trabajo útil de programación y agentes. Qwen destaca flujos frontend y razonamiento a nivel de repositorio más sólidos, además de una nueva opción para conservar el pensamiento de mensajes históricos. Acepta texto, imágenes y vídeo y devuelve texto: una explicación, propuesta de código, análisis estructurado u otro artefacto textual solicitado. Conserva esta edición exacta 35B-A3B, en lugar de tratarla como el modelo denso Qwen3.6-27B o su homólogo anterior Qwen3.5.
Para una tarea frontend, proporciona la captura de pantalla pertinente, los requisitos funcionales y el contexto de código existente. Pide código fuente editable y una descripción de los estados e interacciones previstos. Para una tarea de repositorio, identifica la función afectada, la entrada que pone de manifiesto un problema y el comportamiento esperado. Pide un parche propuesto con sus supuestos y comprobaciones pertinentes.
Descripción general del modelo
El modelo de mezcla de expertos tiene 35 mil millones de parámetros en total y activa tres mil millones. Su disposición híbrida de 40 capas repite tres capas de expertos Gated DeltaNet seguidas de una capa de expertos de atención con compuertas. Tiene 256 expertos enrutados y selecciona ocho junto con un experto compartido; la predicción de múltiples tokens forma parte del entrenamiento. El recuento activado menor no describe el tamaño completo del punto de control. Un codificador visual proporciona la parte visual del modelo.
El contexto nativo es de 262,144 tokens, con ampliación condicional a 1,010,000. El desarrollador recomienda conservar un contexto de al menos 128K cuando sea posible para tareas de pensamiento complejas, aunque reducirlo aliviase la presión de memoria. El texto de origen, los elementos visuales representados, los mensajes históricos, el razonamiento y la respuesta final comparten la capacidad de secuencia configurada.
Uso de entradas y modos de respuesta
La ficha muestra preguntas de texto, imagen y vídeo. Para un diagrama o una página, conserva las etiquetas y define la pregunta exacta. Para un clip, conserva los tiempos e indica el evento de interés. El ejemplo de vídeo compatible del desarrollador utiliza de forma predeterminada dos fotogramas por segundo y permite configurar el muestreo. La receta de buenas prácticas amplía el presupuesto del procesador de vídeo a unos 224K tokens de vídeo para análisis de mayor frecuencia de material de una duración del orden de horas; es un ejemplo de configuración, no un límite universal estricto de duración de clip.
El pensamiento está habilitado de forma predeterminada. El control enable_thinking del desarrollador puede desactivarlo para una respuesta directa. Qwen3.6 no admite oficialmente los antiguos conmutadores textuales /think y /nothink de Qwen3. Separa el razonamiento del artefacto final al presentar un resultado y sigue la propia interfaz de este punto de control, en lugar de dar por hecho que se aplicarán marcadores de prompt o controles de otra generación.
Conservación del pensamiento histórico
De forma predeterminada, la plantilla conserva los bloques de pensamiento asociados al último mensaje del usuario. Qwen3.6 se ha entrenado además para utilizar razonamiento histórico cuando preserve_thinking está habilitado. Su ejemplo explícito establece esa opción en true. Esto puede ayudar a una tarea iterativa de agente a conservar el contexto de decisiones en lugar de volver a deducir repetidamente las elecciones anteriores; también cambia la cantidad de historial que lleva la solicitud. La disponibilidad de la opción depende de que la interfaz exponga la receta del desarrollador.
Uso como agente
Qwen documenta llamadas a herramientas y recomienda Qwen-Agent para configurar herramientas, incluidas las conectadas mediante MCP. Qwen Code es otro flujo de agentes de programación documentado por el desarrollador. Define las herramientas permitidas, el objetivo de la tarea y el entregable esperado, y después devuelve al modelo observaciones reales de herramientas. El modelo puede razonar sobre un resultado y revisar un plan; el acceso a archivos o entornos de ejecución procede de la aplicación conectada, no del nombre del modelo.
Texto ultralargo
La ampliación documentada de contexto 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; para cargas de 524,288 tokens, Qwen sugiere un factor de dos. El escalado estático puede afectar al rendimiento con textos más cortos, por lo que el desarrollador recomienda cambiarlo cuando se necesite el contexto mayor. Conserva los identificadores de sección y código en una entrada grande y pide que el resultado muestre qué pruebas respaldan cada conclusión.
Orientación de generación y límites
Para pensamiento general, el desarrollador recomienda 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 programación precisa, la temperatura pasa a 0.6 y la penalización de presencia a cero. Para respuestas directas, recomienda temperatura 0.7, top_p 0.8 y penalización de presencia 1.5, sin cambiar los demás valores. Las penalizaciones de presencia mayores pueden reducir la repetición, pero pueden mezclar idiomas o reducir ligeramente la calidad.
Qwen recomienda una capacidad de generación de 32,768 tokens para la mayoría de las preguntas y de 81,920 para tareas matemáticas o de programación excepcionalmente complejas. Son recomendaciones, no límites estrictos de salida establecidos por separado. Indica de forma explícita el formato final y comprueba el código, los cálculos y los detalles visuales extraídos frente a la fuente. La continuidad del razonamiento y el contexto largo ayudan a mantener las pruebas de una tarea, mientras que un artefacto final comprobable hace útil el resultado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.6-35b-a3b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000566 / 1K tokens Salida · Tokens de salida $0.00341 / 1K tokens Entrada · Lectura de caché $0.0001 / 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 $0.000566 / 1K tokens Salida · Tokens de salida $0.00341 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y 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/qwen3.6-35b-a3b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.