Points forts de Qwen3.6 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle vision-langage axé sur la programmation et le travail d’agent utiles. Qwen souligne des flux frontend et un raisonnement à l’échelle du dépôt renforcés, ainsi qu’une nouvelle option conservant la réflexion des messages historiques. Il accepte le texte, les images et la vidéo et renvoie du texte : explication, proposition de code, analyse structurée ou autre livrable textuel demandé. Préservez cette édition exacte 35B-A3B au lieu de l’assimiler au Qwen3.6-27B dense ou à son prédécesseur Qwen3.5.
Pour une tâche frontend, fournissez la capture pertinente, les exigences fonctionnelles et le contexte du code existant. Demandez du code source modifiable et une description des états et interactions prévus. Pour une tâche de dépôt, identifiez la fonction concernée, l’entrée révélant le problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et les vérifications pertinentes.
Vue d’ensemble du modèle
Le modèle à mélange d’experts compte 35 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à porte. Il comprend 256 experts routés et en sélectionne huit avec un expert partagé ; la prédiction multi-jetons fait partie de l’entraînement. Le nombre activé plus petit ne décrit pas la taille complète du checkpoint. Un encodeur visuel fournit la partie visuelle du modèle.
Le contexte natif est de 262 144 jetons, avec une extension conditionnelle à 1 010 000. Le concepteur recommande de conserver si possible un contexte d’au moins 128K pour les tâches de réflexion complexes, même si sa réduction soulagerait la pression mémoire. Le texte source, les visuels représentés, les messages historiques, le raisonnement et la réponse finale partagent l’allocation de séquence configurée.
Utiliser les entrées et modes de réponse
La fiche montre des questions textuelles, sur images et sur vidéos. Pour un schéma ou une page, préservez les libellés et définissez la question exacte. Pour un extrait, gardez le minutage et indiquez l’événement recherché. L’exemple vidéo compatible du concepteur utilise deux images par seconde par défaut et permet de configurer l’échantillonnage. La recette de bonnes pratiques étend le budget du processeur à environ 224K jetons vidéo pour analyser du contenu de l’ordre d’une heure à une fréquence d’échantillonnage plus élevée ; c’est un exemple de configuration, pas une limite stricte universelle de durée d’extrait.
La réflexion est activée par défaut. Le contrôle enable_thinking peut la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes textuelles de prompt Qwen3 /think et /nothink. Séparez le raisonnement du livrable final lors de la présentation et suivez l’interface propre à ce checkpoint au lieu de supposer que les marqueurs ou contrôles d’une autre génération s’appliquent.
Conserver la réflexion historique
Par défaut, le modèle de conversation conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a en outre été entraîné à exploiter le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option sur true. Cela peut aider une tâche d’agent itérative à conserver le contexte de décision plutôt qu’à recalculer constamment les choix antérieurs ; cela modifie aussi la quantité d’historique portée par la requête. La disponibilité de l’option dépend de l’interface exposant la recette du concepteur.
Usage d’agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour les configurer, y compris les outils connectés par MCP. Qwen Code est un autre flux d’agent de programmation documenté par le concepteur. Définissez les outils autorisés, l’objectif et le livrable attendu, puis renvoyez au modèle les observations réelles des outils. Le modèle peut raisonner sur un résultat et réviser un plan ; l’accès aux fichiers ou environnements d’exécution vient de l’application connectée, pas du nom du modèle.
Textes ultra-longs
L’extension documentée du contexte utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre vise le flux d’environ un million de jetons ; pour les charges de 524 288 jetons, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes plus courts ; le concepteur recommande donc de la modifier lorsque le contexte plus long est nécessaire. Gardez les identifiants de section et de code dans une grande entrée et demandez que le résultat indique les éléments étayant chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le concepteur recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. Pour la programmation précise, temperature passe à 0.6 et la pénalité de présence à zéro. Pour les réponses directes, il recommande temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5, les autres valeurs restant inchangées. Des pénalités de présence plus fortes peuvent réduire les répétitions, mais mélanger les langues ou légèrement réduire la qualité.
Qwen recommande une allocation de génération de 32 768 jetons pour la plupart des questions et de 81 920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, pas des plafonds stricts de sortie établis séparément. Explicitez le format final et vérifiez le code, les calculs et les détails visuels extraits par rapport à la source. La continuité du raisonnement et le contexte long aident à transporter les éléments d’une tâche, tandis qu’un livrable final vérifiable rend le résultat utile.
", "aboutText": "Points forts de Qwen3.6 : programmation et continuité du raisonnement\n\nQwen3.6-35B-A3B est un modèle vision-langage axé sur la programmation et le travail d’agent utiles. Qwen souligne des flux frontend et un raisonnement à l’échelle du dépôt renforcés, ainsi qu’une nouvelle option conservant la réflexion des messages historiques. Il accepte le texte, les images et la vidéo et renvoie du texte : explication, proposition de code, analyse structurée ou autre livrable textuel demandé. Préservez cette édition exacte 35B-A3B au lieu de l’assimiler au Qwen3.6-27B dense ou à son prédécesseur Qwen3.5.\n\nPour une tâche frontend, fournissez la capture pertinente, les exigences fonctionnelles et le contexte du code existant. Demandez du code source modifiable et une description des états et interactions prévus. Pour une tâche de dépôt, identifiez la fonction concernée, l’entrée révélant le problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et les vérifications pertinentes.\n\nVue d’ensemble du modèle\n\nLe modèle à mélange d’experts compte 35 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à porte. Il comprend 256 experts routés et en sélectionne huit avec un expert partagé ; la prédiction multi-jetons fait partie de l’entraînement. Le nombre activé plus petit ne décrit pas la taille complète du checkpoint. Un encodeur visuel fournit la partie visuelle du modèle.\n\nLe contexte natif est de 262 144 jetons, avec une extension conditionnelle à 1 010 000. Le concepteur recommande de conserver si possible un contexte d’au moins 128K pour les tâches de réflexion complexes, même si sa réduction soulagerait la pression mémoire. Le texte source, les visuels représentés, les messages historiques, le raisonnement et la réponse finale partagent l’allocation de séquence configurée.\n\nUtiliser les entrées et modes de réponse\n\nLa fiche montre des questions textuelles, sur images et sur vidéos. Pour un schéma ou une page, préservez les libellés et définissez la question exacte. Pour un extrait, gardez le minutage et indiquez l’événement recherché. L’exemple vidéo compatible du concepteur utilise deux images par seconde par défaut et permet de configurer l’échantillonnage. La recette de bonnes pratiques étend le budget du processeur à environ 224K jetons vidéo pour analyser du contenu de l’ordre d’une heure à une fréquence d’échantillonnage plus élevée ; c’est un exemple de configuration, pas une limite stricte universelle de durée d’extrait.\n\nLa réflexion est activée par défaut. Le contrôle enable_thinking peut la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes textuelles de prompt Qwen3 /think et /nothink. Séparez le raisonnement du livrable final lors de la présentation et suivez l’interface propre à ce checkpoint au lieu de supposer que les marqueurs ou contrôles d’une autre génération s’appliquent.\n\nConserver la réflexion historique\n\nPar défaut, le modèle de conversation conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a en outre été entraîné à exploiter le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option sur true. Cela peut aider une tâche d’agent itérative à conserver le contexte de décision plutôt qu’à recalculer constamment les choix antérieurs ; cela modifie aussi la quantité d’historique portée par la requête. La disponibilité de l’option dépend de l’interface exposant la recette du concepteur.\n\nUsage d’agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent pour les configurer, y compris les outils connectés par MCP. Qwen Code est un autre flux d’agent de programmation documenté par le concepteur. Définissez les outils autorisés, l’objectif et le livrable attendu, puis renvoyez au modèle les observations réelles des outils. Le modèle peut raisonner sur un résultat et réviser un plan ; l’accès aux fichiers ou environnements d’exécution vient de l’application connectée, pas du nom du modèle.\n\nTextes ultra-longs\n\nL’extension documentée du contexte utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre vise le flux d’environ un million de jetons ; pour les charges de 524 288 jetons, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes plus courts ; le concepteur recommande donc de la modifier lorsque le contexte plus long est nécessaire. Gardez les identifiants de section et de code dans une grande entrée et demandez que le résultat indique les éléments étayant chaque conclusion.\n\nRecommandations de génération et limites\n\nPour la réflexion générale, le concepteur recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. Pour la programmation précise, temperature passe à 0.6 et la pénalité de présence à zéro. Pour les réponses directes, il recommande temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5, les autres valeurs restant inchangées. Des pénalités de présence plus fortes peuvent réduire les répétitions, mais mélanger les langues ou légèrement réduire la qualité.\n\nQwen recommande une allocation de génération de 32 768 jetons pour la plupart des questions et de 81 920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, pas des plafonds stricts de sortie établis séparément. Explicitez le format final et vérifiez le code, les calculs et les détails visuels extraits par rapport à la source. La continuité du raisonnement et le contexte long aident à transporter les éléments d’une tâche, tandis qu’un livrable final vérifiable rend le résultat utile.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est le modèle vision-langage de Qwen à mélange d’experts, avec 35 milliards de paramètres au total et 3 milliards activés. Il cible la programmation frontend et à l’échelle du dépôt, ajoute la conservation facultative du raisonnement historique et accepte le texte, les images et la vidéo avec sortie textuelle.
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 Qwen3.6 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle vision-langage axé sur la programmation et le travail d’agent utiles. Qwen souligne des flux frontend et un raisonnement à l’échelle du dépôt renforcés, ainsi qu’une nouvelle option conservant la réflexion des messages historiques. Il accepte le texte, les images et la vidéo et renvoie du texte : explication, proposition de code, analyse structurée ou autre livrable textuel demandé. Préservez cette édition exacte 35B-A3B au lieu de l’assimiler au Qwen3.6-27B dense ou à son prédécesseur Qwen3.5.
Pour une tâche frontend, fournissez la capture pertinente, les exigences fonctionnelles et le contexte du code existant. Demandez du code source modifiable et une description des états et interactions prévus. Pour une tâche de dépôt, identifiez la fonction concernée, l’entrée révélant le problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et les vérifications pertinentes.
Vue d’ensemble du modèle
Le modèle à mélange d’experts compte 35 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à porte. Il comprend 256 experts routés et en sélectionne huit avec un expert partagé ; la prédiction multi-jetons fait partie de l’entraînement. Le nombre activé plus petit ne décrit pas la taille complète du checkpoint. Un encodeur visuel fournit la partie visuelle du modèle.
Le contexte natif est de 262 144 jetons, avec une extension conditionnelle à 1 010 000. Le concepteur recommande de conserver si possible un contexte d’au moins 128K pour les tâches de réflexion complexes, même si sa réduction soulagerait la pression mémoire. Le texte source, les visuels représentés, les messages historiques, le raisonnement et la réponse finale partagent l’allocation de séquence configurée.
Utiliser les entrées et modes de réponse
La fiche montre des questions textuelles, sur images et sur vidéos. Pour un schéma ou une page, préservez les libellés et définissez la question exacte. Pour un extrait, gardez le minutage et indiquez l’événement recherché. L’exemple vidéo compatible du concepteur utilise deux images par seconde par défaut et permet de configurer l’échantillonnage. La recette de bonnes pratiques étend le budget du processeur à environ 224K jetons vidéo pour analyser du contenu de l’ordre d’une heure à une fréquence d’échantillonnage plus élevée ; c’est un exemple de configuration, pas une limite stricte universelle de durée d’extrait.
La réflexion est activée par défaut. Le contrôle enable_thinking peut la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes textuelles de prompt Qwen3 /think et /nothink. Séparez le raisonnement du livrable final lors de la présentation et suivez l’interface propre à ce checkpoint au lieu de supposer que les marqueurs ou contrôles d’une autre génération s’appliquent.
Conserver la réflexion historique
Par défaut, le modèle de conversation conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a en outre été entraîné à exploiter le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option sur true. Cela peut aider une tâche d’agent itérative à conserver le contexte de décision plutôt qu’à recalculer constamment les choix antérieurs ; cela modifie aussi la quantité d’historique portée par la requête. La disponibilité de l’option dépend de l’interface exposant la recette du concepteur.
Usage d’agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour les configurer, y compris les outils connectés par MCP. Qwen Code est un autre flux d’agent de programmation documenté par le concepteur. Définissez les outils autorisés, l’objectif et le livrable attendu, puis renvoyez au modèle les observations réelles des outils. Le modèle peut raisonner sur un résultat et réviser un plan ; l’accès aux fichiers ou environnements d’exécution vient de l’application connectée, pas du nom du modèle.
Textes ultra-longs
L’extension documentée du contexte utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre vise le flux d’environ un million de jetons ; pour les charges de 524 288 jetons, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes plus courts ; le concepteur recommande donc de la modifier lorsque le contexte plus long est nécessaire. Gardez les identifiants de section et de code dans une grande entrée et demandez que le résultat indique les éléments étayant chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le concepteur recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. Pour la programmation précise, temperature passe à 0.6 et la pénalité de présence à zéro. Pour les réponses directes, il recommande temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5, les autres valeurs restant inchangées. Des pénalités de présence plus fortes peuvent réduire les répétitions, mais mélanger les langues ou légèrement réduire la qualité.
Qwen recommande une allocation de génération de 32 768 jetons pour la plupart des questions et de 81 920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, pas des plafonds stricts de sortie établis séparément. Explicitez le format final et vérifiez le code, les calculs et les détails visuels extraits par rapport à la source. La continuité du raisonnement et le contexte long aident à transporter les éléments d’une tâche, tandis qu’un livrable final vérifiable rend le résultat utile.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K tokens Sortie · Tokens en sortie $0.00341 / 1K tokens Entrée · Lecture du cache $0.0001 / 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 $0.000566 / 1K tokens Sortie · Tokens en sortie $0.00341 / 1K tokens Entrée · Lecture du cache $0.0001 / 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/qwen3.6-35b-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 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/qwen3.6-35b-a3b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B est le modèle vision-langage de Qwen à mélange d’experts, avec 35 milliards de paramètres au total et 3 milliards activés. Il cible la programmation frontend et à l’échelle du dépôt, ajoute la conservation facultative du raisonnement historique et accepte le texte, les images et la vidéo avec sortie textuelle.
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 Qwen3.6 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle vision-langage axé sur la programmation et le travail d’agent utiles. Qwen souligne des flux frontend et un raisonnement à l’échelle du dépôt renforcés, ainsi qu’une nouvelle option conservant la réflexion des messages historiques. Il accepte le texte, les images et la vidéo et renvoie du texte : explication, proposition de code, analyse structurée ou autre livrable textuel demandé. Préservez cette édition exacte 35B-A3B au lieu de l’assimiler au Qwen3.6-27B dense ou à son prédécesseur Qwen3.5.
Pour une tâche frontend, fournissez la capture pertinente, les exigences fonctionnelles et le contexte du code existant. Demandez du code source modifiable et une description des états et interactions prévus. Pour une tâche de dépôt, identifiez la fonction concernée, l’entrée révélant le problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et les vérifications pertinentes.
Vue d’ensemble du modèle
Le modèle à mélange d’experts compte 35 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à porte. Il comprend 256 experts routés et en sélectionne huit avec un expert partagé ; la prédiction multi-jetons fait partie de l’entraînement. Le nombre activé plus petit ne décrit pas la taille complète du checkpoint. Un encodeur visuel fournit la partie visuelle du modèle.
Le contexte natif est de 262 144 jetons, avec une extension conditionnelle à 1 010 000. Le concepteur recommande de conserver si possible un contexte d’au moins 128K pour les tâches de réflexion complexes, même si sa réduction soulagerait la pression mémoire. Le texte source, les visuels représentés, les messages historiques, le raisonnement et la réponse finale partagent l’allocation de séquence configurée.
Utiliser les entrées et modes de réponse
La fiche montre des questions textuelles, sur images et sur vidéos. Pour un schéma ou une page, préservez les libellés et définissez la question exacte. Pour un extrait, gardez le minutage et indiquez l’événement recherché. L’exemple vidéo compatible du concepteur utilise deux images par seconde par défaut et permet de configurer l’échantillonnage. La recette de bonnes pratiques étend le budget du processeur à environ 224K jetons vidéo pour analyser du contenu de l’ordre d’une heure à une fréquence d’échantillonnage plus élevée ; c’est un exemple de configuration, pas une limite stricte universelle de durée d’extrait.
La réflexion est activée par défaut. Le contrôle enable_thinking peut la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes textuelles de prompt Qwen3 /think et /nothink. Séparez le raisonnement du livrable final lors de la présentation et suivez l’interface propre à ce checkpoint au lieu de supposer que les marqueurs ou contrôles d’une autre génération s’appliquent.
Conserver la réflexion historique
Par défaut, le modèle de conversation conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a en outre été entraîné à exploiter le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option sur true. Cela peut aider une tâche d’agent itérative à conserver le contexte de décision plutôt qu’à recalculer constamment les choix antérieurs ; cela modifie aussi la quantité d’historique portée par la requête. La disponibilité de l’option dépend de l’interface exposant la recette du concepteur.
Usage d’agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour les configurer, y compris les outils connectés par MCP. Qwen Code est un autre flux d’agent de programmation documenté par le concepteur. Définissez les outils autorisés, l’objectif et le livrable attendu, puis renvoyez au modèle les observations réelles des outils. Le modèle peut raisonner sur un résultat et réviser un plan ; l’accès aux fichiers ou environnements d’exécution vient de l’application connectée, pas du nom du modèle.
Textes ultra-longs
L’extension documentée du contexte utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre vise le flux d’environ un million de jetons ; pour les charges de 524 288 jetons, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes plus courts ; le concepteur recommande donc de la modifier lorsque le contexte plus long est nécessaire. Gardez les identifiants de section et de code dans une grande entrée et demandez que le résultat indique les éléments étayant chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le concepteur recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. Pour la programmation précise, temperature passe à 0.6 et la pénalité de présence à zéro. Pour les réponses directes, il recommande temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5, les autres valeurs restant inchangées. Des pénalités de présence plus fortes peuvent réduire les répétitions, mais mélanger les langues ou légèrement réduire la qualité.
Qwen recommande une allocation de génération de 32 768 jetons pour la plupart des questions et de 81 920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, pas des plafonds stricts de sortie établis séparément. Explicitez le format final et vérifiez le code, les calculs et les détails visuels extraits par rapport à la source. La continuité du raisonnement et le contexte long aident à transporter les éléments d’une tâche, tandis qu’un livrable final vérifiable rend le résultat utile.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K tokens Sortie · Tokens en sortie $0.00341 / 1K tokens Entrée · Lecture du cache $0.0001 / 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 $0.000566 / 1K tokens Sortie · Tokens en sortie $0.00341 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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/qwen3.6-35b-a3b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.