Points forts de Qwen3.5 : le checkpoint 397B-A17B
Qwen3.5-397B-A17B est le modèle vision-langage post-entraîné à mélange d’experts de la famille Qwen3.5. Il accepte le texte, les images et la vidéo et génère du texte : explications, propositions de code, analyses et livrables documentaires demandés. La famille utilise une fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer raisonnement, programmation, agents et compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, plutôt qu’une promesse de fiabilité identique pour chaque langue ou domaine spécialisé.
Le concepteur décrit séparément Qwen3.5-Plus géré comme une offre correspondante dotée de fonctions de production supplémentaires. Préservez l’identité, le contexte et la recette de génération propres à ce checkpoint ouvert au lieu d’importer toutes les fonctions gérées ou contrôles Qwen ultérieurs. L’édition exacte 397B-A17B reste distincte des modèles denses et à experts plus petits de la même famille.
Vue d’ensemble du modèle
Le modèle compte 397 milliards de paramètres au total et en active 17 milliards. Sa structure hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à porte. Le concepteur indique 512 experts routés, avec sélection de dix experts routés et d’un expert partagé. Un encodeur visuel et la prédiction multi-jetons font partie du modèle. Les paramètres totaux, les paramètres activés et la taille de stockage du checkpoint complet sont des concepts différents ; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262 144 jetons, avec une extension conditionnelle jusqu’à 1 010 000. Le texte, les images ou vidéos représentées, l’historique, le raisonnement et la réponse finale partagent l’allocation de séquence configurée. Utilisez le budget réellement configuré pour une tâche au lieu de supposer que le plus grand document et la plus grande réponse tiennent automatiquement ensemble.
Préparer les éléments textuels et visuels
Pour un projet technique, fournissez les spécifications, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implémentation organisée par composants concernés et étayée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de section, les étiquettes de tableaux et les unités et demandez un tableau d’observations avec des éléments pour chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à garder inchangés.
Pour une question d’image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre et le minutage des images. Comparez les détails visuels, citations et descriptions d’événements renvoyés aux images, passages et horodatages originaux. Le résultat reste de l’analyse textuelle ou du code ; l’entrée visuelle du modèle n’implique pas la génération d’images, de vidéos ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour une réponse directe. Les anciennes commandes textuelles de prompt /think et /nothink ne sont pas officiellement prises en charge par Qwen3.5. Rendez le livrable final facile à trouver après le raisonnement, comme une conclusion délimitée, un tableau de preuves ou une proposition de code distincte.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation historique introduites dans les versions ultérieures. Suivez le modèle de conversation exact de ce checkpoint et associez les corrections ou observations d’outils à la tâche qu’elles actualisent.
Usage d’agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour les flux d’agent de programmation. Précisez les opérations autorisées, les éléments disponibles et les critères observables d’achèvement. L’application exécute les outils et fournit leurs résultats ; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposé reste distinct d’une action effectivement terminée dans l’environnement.
Textes et vidéos ultra-longs
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés propres au checkpoint. Un facteur de quatre vise le flux d’environ un million de jetons ; un facteur de deux est suggéré pour les charges de 524 288 jetons. La mise à l’échelle statique peut affecter les performances sur les textes plus courts ; elle doit donc suivre un besoin réel de contexte plus grand. Organisez une entrée longue par document, page ou identifiant de code et laissez de la place au résultat.
L’exemple vidéo compatible utilise deux images par seconde par défaut. Pour le contenu de l’ordre d’une heure, le concepteur recommande un budget de processeur plus grand correspondant à environ 224K jetons vidéo pour un échantillonnage plus fréquent. C’est une recette dépendant de la configuration, pas une garantie universelle de durée de médias, de rappel intégral ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques de ce checkpoint recommandent temperature 0.6, top_p 0.95, top_k 20 et min_p 0 pour la réflexion, et temperature 0.7, top_p 0.8, top_k 20 et min_p 0 pour les réponses directes. Ces recommandations exactes diffèrent de certaines éditions Qwen3.5 plus petites. Lorsque cela est pris en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais des valeurs plus élevées peuvent mélanger les langues ou légèrement réduire la qualité.
Les allocations de génération recommandées sont de 32 768 jetons pour la plupart des requêtes et de 81 920 pour le travail mathématique ou de programmation exceptionnellement complexe. Ce sont des recommandations, pas des plafonds stricts indépendants de sortie. Précisez le format requis et vérifiez les calculs, détails extraits et propositions de code par rapport à la source. La sortie utile est un livrable textuel concret dont les éléments probants et hypothèses peuvent être examinés.
", "aboutText": "Points forts de Qwen3.5 : le checkpoint 397B-A17B\n\nQwen3.5-397B-A17B est le modèle vision-langage post-entraîné à mélange d’experts de la famille Qwen3.5. Il accepte le texte, les images et la vidéo et génère du texte : explications, propositions de code, analyses et livrables documentaires demandés. La famille utilise une fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer raisonnement, programmation, agents et compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, plutôt qu’une promesse de fiabilité identique pour chaque langue ou domaine spécialisé.\n\nLe concepteur décrit séparément Qwen3.5-Plus géré comme une offre correspondante dotée de fonctions de production supplémentaires. Préservez l’identité, le contexte et la recette de génération propres à ce checkpoint ouvert au lieu d’importer toutes les fonctions gérées ou contrôles Qwen ultérieurs. L’édition exacte 397B-A17B reste distincte des modèles denses et à experts plus petits de la même famille.\n\nVue d’ensemble du modèle\n\nLe modèle compte 397 milliards de paramètres au total et en active 17 milliards. Sa structure hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à porte. Le concepteur indique 512 experts routés, avec sélection de dix experts routés et d’un expert partagé. Un encodeur visuel et la prédiction multi-jetons font partie du modèle. Les paramètres totaux, les paramètres activés et la taille de stockage du checkpoint complet sont des concepts différents ; ces nombres n’établissent pas un temps de réponse fixe.\n\nLe contexte natif est de 262 144 jetons, avec une extension conditionnelle jusqu’à 1 010 000. Le texte, les images ou vidéos représentées, l’historique, le raisonnement et la réponse finale partagent l’allocation de séquence configurée. Utilisez le budget réellement configuré pour une tâche au lieu de supposer que le plus grand document et la plus grande réponse tiennent automatiquement ensemble.\n\nPréparer les éléments textuels et visuels\n\nPour un projet technique, fournissez les spécifications, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implémentation organisée par composants concernés et étayée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de section, les étiquettes de tableaux et les unités et demandez un tableau d’observations avec des éléments pour chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à garder inchangés.\n\nPour une question d’image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre et le minutage des images. Comparez les détails visuels, citations et descriptions d’événements renvoyés aux images, passages et horodatages originaux. Le résultat reste de l’analyse textuelle ou du code ; l’entrée visuelle du modèle n’implique pas la génération d’images, de vidéos ou de parole.\n\nRéflexion et historique de conversation\n\nLa réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour une réponse directe. Les anciennes commandes textuelles de prompt /think et /nothink ne sont pas officiellement prises en charge par Qwen3.5. Rendez le livrable final facile à trouver après le raisonnement, comme une conclusion délimitée, un tableau de preuves ou une proposition de code distincte.\n\nLa fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation historique introduites dans les versions ultérieures. Suivez le modèle de conversation exact de ce checkpoint et associez les corrections ou observations d’outils à la tâche qu’elles actualisent.\n\nUsage d’agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour les flux d’agent de programmation. Précisez les opérations autorisées, les éléments disponibles et les critères observables d’achèvement. L’application exécute les outils et fournit leurs résultats ; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposé reste distinct d’une action effectivement terminée dans l’environnement.\n\nTextes et vidéos ultra-longs\n\nL’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés propres au checkpoint. Un facteur de quatre vise le flux d’environ un million de jetons ; un facteur de deux est suggéré pour les charges de 524 288 jetons. La mise à l’échelle statique peut affecter les performances sur les textes plus courts ; elle doit donc suivre un besoin réel de contexte plus grand. Organisez une entrée longue par document, page ou identifiant de code et laissez de la place au résultat.\n\nL’exemple vidéo compatible utilise deux images par seconde par défaut. Pour le contenu de l’ordre d’une heure, le concepteur recommande un budget de processeur plus grand correspondant à environ 224K jetons vidéo pour un échantillonnage plus fréquent. C’est une recette dépendant de la configuration, pas une garantie universelle de durée de médias, de rappel intégral ou de précision des horodatages.\n\nRecommandations de génération et limites de fond\n\nLes bonnes pratiques de ce checkpoint recommandent temperature 0.6, top_p 0.95, top_k 20 et min_p 0 pour la réflexion, et temperature 0.7, top_p 0.8, top_k 20 et min_p 0 pour les réponses directes. Ces recommandations exactes diffèrent de certaines éditions Qwen3.5 plus petites. Lorsque cela est pris en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais des valeurs plus élevées peuvent mélanger les langues ou légèrement réduire la qualité.\n\nLes allocations de génération recommandées sont de 32 768 jetons pour la plupart des requêtes et de 81 920 pour le travail mathématique ou de programmation exceptionnellement complexe. Ce sont des recommandations, pas des plafonds stricts indépendants de sortie. Précisez le format requis et vérifiez les calculs, détails extraits et propositions de code par rapport à la source. La sortie utile est un livrable textuel concret dont les éléments probants et hypothèses peuvent être examinés.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B est le modèle vision-langage de Qwen à mélange d’experts, avec 397 milliards de paramètres au total et 17 milliards activés. Il accepte le texte, les images et la vidéo et renvoie du texte pour les tâches de raisonnement, de programmation et d’agent, avec une réflexion réglable et un contexte natif de 262 144 jetons.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts de Qwen3.5 : le checkpoint 397B-A17B
Qwen3.5-397B-A17B est le modèle vision-langage post-entraîné à mélange d’experts de la famille Qwen3.5. Il accepte le texte, les images et la vidéo et génère du texte : explications, propositions de code, analyses et livrables documentaires demandés. La famille utilise une fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer raisonnement, programmation, agents et compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, plutôt qu’une promesse de fiabilité identique pour chaque langue ou domaine spécialisé.
Le concepteur décrit séparément Qwen3.5-Plus géré comme une offre correspondante dotée de fonctions de production supplémentaires. Préservez l’identité, le contexte et la recette de génération propres à ce checkpoint ouvert au lieu d’importer toutes les fonctions gérées ou contrôles Qwen ultérieurs. L’édition exacte 397B-A17B reste distincte des modèles denses et à experts plus petits de la même famille.
Vue d’ensemble du modèle
Le modèle compte 397 milliards de paramètres au total et en active 17 milliards. Sa structure hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à porte. Le concepteur indique 512 experts routés, avec sélection de dix experts routés et d’un expert partagé. Un encodeur visuel et la prédiction multi-jetons font partie du modèle. Les paramètres totaux, les paramètres activés et la taille de stockage du checkpoint complet sont des concepts différents ; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262 144 jetons, avec une extension conditionnelle jusqu’à 1 010 000. Le texte, les images ou vidéos représentées, l’historique, le raisonnement et la réponse finale partagent l’allocation de séquence configurée. Utilisez le budget réellement configuré pour une tâche au lieu de supposer que le plus grand document et la plus grande réponse tiennent automatiquement ensemble.
Préparer les éléments textuels et visuels
Pour un projet technique, fournissez les spécifications, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implémentation organisée par composants concernés et étayée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de section, les étiquettes de tableaux et les unités et demandez un tableau d’observations avec des éléments pour chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à garder inchangés.
Pour une question d’image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre et le minutage des images. Comparez les détails visuels, citations et descriptions d’événements renvoyés aux images, passages et horodatages originaux. Le résultat reste de l’analyse textuelle ou du code ; l’entrée visuelle du modèle n’implique pas la génération d’images, de vidéos ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour une réponse directe. Les anciennes commandes textuelles de prompt /think et /nothink ne sont pas officiellement prises en charge par Qwen3.5. Rendez le livrable final facile à trouver après le raisonnement, comme une conclusion délimitée, un tableau de preuves ou une proposition de code distincte.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation historique introduites dans les versions ultérieures. Suivez le modèle de conversation exact de ce checkpoint et associez les corrections ou observations d’outils à la tâche qu’elles actualisent.
Usage d’agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour les flux d’agent de programmation. Précisez les opérations autorisées, les éléments disponibles et les critères observables d’achèvement. L’application exécute les outils et fournit leurs résultats ; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposé reste distinct d’une action effectivement terminée dans l’environnement.
Textes et vidéos ultra-longs
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés propres au checkpoint. Un facteur de quatre vise le flux d’environ un million de jetons ; un facteur de deux est suggéré pour les charges de 524 288 jetons. La mise à l’échelle statique peut affecter les performances sur les textes plus courts ; elle doit donc suivre un besoin réel de contexte plus grand. Organisez une entrée longue par document, page ou identifiant de code et laissez de la place au résultat.
L’exemple vidéo compatible utilise deux images par seconde par défaut. Pour le contenu de l’ordre d’une heure, le concepteur recommande un budget de processeur plus grand correspondant à environ 224K jetons vidéo pour un échantillonnage plus fréquent. C’est une recette dépendant de la configuration, pas une garantie universelle de durée de médias, de rappel intégral ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques de ce checkpoint recommandent temperature 0.6, top_p 0.95, top_k 20 et min_p 0 pour la réflexion, et temperature 0.7, top_p 0.8, top_k 20 et min_p 0 pour les réponses directes. Ces recommandations exactes diffèrent de certaines éditions Qwen3.5 plus petites. Lorsque cela est pris en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais des valeurs plus élevées peuvent mélanger les langues ou légèrement réduire la qualité.
Les allocations de génération recommandées sont de 32 768 jetons pour la plupart des requêtes et de 81 920 pour le travail mathématique ou de programmation exceptionnellement complexe. Ce sont des recommandations, pas des plafonds stricts indépendants de sortie. Précisez le format requis et vérifiez les calculs, détails extraits et propositions de code par rapport à la source. La sortie utile est un livrable textuel concret dont les éléments probants et hypothèses peuvent être examinés.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-397b-a17b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00078 / 1K tokens Sortie · Tokens en sortie $0.00468 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00078 / 1K tokens Sortie · Tokens en sortie $0.00468 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3.5-397b-a17b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B est le modèle vision-langage de Qwen à mélange d’experts, avec 397 milliards de paramètres au total et 17 milliards activés. Il accepte le texte, les images et la vidéo et renvoie du texte pour les tâches de raisonnement, de programmation et d’agent, avec une réflexion réglable et un contexte natif de 262 144 jetons.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts de Qwen3.5 : le checkpoint 397B-A17B
Qwen3.5-397B-A17B est le modèle vision-langage post-entraîné à mélange d’experts de la famille Qwen3.5. Il accepte le texte, les images et la vidéo et génère du texte : explications, propositions de code, analyses et livrables documentaires demandés. La famille utilise une fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer raisonnement, programmation, agents et compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, plutôt qu’une promesse de fiabilité identique pour chaque langue ou domaine spécialisé.
Le concepteur décrit séparément Qwen3.5-Plus géré comme une offre correspondante dotée de fonctions de production supplémentaires. Préservez l’identité, le contexte et la recette de génération propres à ce checkpoint ouvert au lieu d’importer toutes les fonctions gérées ou contrôles Qwen ultérieurs. L’édition exacte 397B-A17B reste distincte des modèles denses et à experts plus petits de la même famille.
Vue d’ensemble du modèle
Le modèle compte 397 milliards de paramètres au total et en active 17 milliards. Sa structure hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à porte. Le concepteur indique 512 experts routés, avec sélection de dix experts routés et d’un expert partagé. Un encodeur visuel et la prédiction multi-jetons font partie du modèle. Les paramètres totaux, les paramètres activés et la taille de stockage du checkpoint complet sont des concepts différents ; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262 144 jetons, avec une extension conditionnelle jusqu’à 1 010 000. Le texte, les images ou vidéos représentées, l’historique, le raisonnement et la réponse finale partagent l’allocation de séquence configurée. Utilisez le budget réellement configuré pour une tâche au lieu de supposer que le plus grand document et la plus grande réponse tiennent automatiquement ensemble.
Préparer les éléments textuels et visuels
Pour un projet technique, fournissez les spécifications, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implémentation organisée par composants concernés et étayée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de section, les étiquettes de tableaux et les unités et demandez un tableau d’observations avec des éléments pour chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à garder inchangés.
Pour une question d’image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre et le minutage des images. Comparez les détails visuels, citations et descriptions d’événements renvoyés aux images, passages et horodatages originaux. Le résultat reste de l’analyse textuelle ou du code ; l’entrée visuelle du modèle n’implique pas la génération d’images, de vidéos ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour une réponse directe. Les anciennes commandes textuelles de prompt /think et /nothink ne sont pas officiellement prises en charge par Qwen3.5. Rendez le livrable final facile à trouver après le raisonnement, comme une conclusion délimitée, un tableau de preuves ou une proposition de code distincte.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation historique introduites dans les versions ultérieures. Suivez le modèle de conversation exact de ce checkpoint et associez les corrections ou observations d’outils à la tâche qu’elles actualisent.
Usage d’agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour les flux d’agent de programmation. Précisez les opérations autorisées, les éléments disponibles et les critères observables d’achèvement. L’application exécute les outils et fournit leurs résultats ; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposé reste distinct d’une action effectivement terminée dans l’environnement.
Textes et vidéos ultra-longs
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés propres au checkpoint. Un facteur de quatre vise le flux d’environ un million de jetons ; un facteur de deux est suggéré pour les charges de 524 288 jetons. La mise à l’échelle statique peut affecter les performances sur les textes plus courts ; elle doit donc suivre un besoin réel de contexte plus grand. Organisez une entrée longue par document, page ou identifiant de code et laissez de la place au résultat.
L’exemple vidéo compatible utilise deux images par seconde par défaut. Pour le contenu de l’ordre d’une heure, le concepteur recommande un budget de processeur plus grand correspondant à environ 224K jetons vidéo pour un échantillonnage plus fréquent. C’est une recette dépendant de la configuration, pas une garantie universelle de durée de médias, de rappel intégral ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques de ce checkpoint recommandent temperature 0.6, top_p 0.95, top_k 20 et min_p 0 pour la réflexion, et temperature 0.7, top_p 0.8, top_k 20 et min_p 0 pour les réponses directes. Ces recommandations exactes diffèrent de certaines éditions Qwen3.5 plus petites. Lorsque cela est pris en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais des valeurs plus élevées peuvent mélanger les langues ou légèrement réduire la qualité.
Les allocations de génération recommandées sont de 32 768 jetons pour la plupart des requêtes et de 81 920 pour le travail mathématique ou de programmation exceptionnellement complexe. Ce sont des recommandations, pas des plafonds stricts indépendants de sortie. Précisez le format requis et vérifiez les calculs, détails extraits et propositions de code par rapport à la source. La sortie utile est un livrable textuel concret dont les éléments probants et hypothèses peuvent être examinés.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-397b-a17b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00078 / 1K tokens Sortie · Tokens en sortie $0.00468 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00078 / 1K tokens Sortie · Tokens en sortie $0.00468 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3.5-397b-a17b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.