Points saillants de Qwen3.5 : le modèle à experts 122B-A10B
Qwen3.5-122B-A10B est un modèle de vision et de langage après postentraînement pour les tâches combinant texte et vision. Il accepte le texte, les images et la vidéo et retourne du texte, notamment des explications, des propositions de code et les livrables documentaires demandés. La famille est construite par la fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes, développant le raisonnement, la programmation, les agents et la compréhension visuelle. Elle décrit une couverture de 201 langues et dialectes, sans laisser entendre que chaque langue ou domaine a une fiabilité identique.
Une tâche utile peut combiner une spécification technique, des schémas et du code pertinent et demander au modèle d’expliquer les composants et de retourner une proposition d’implantation. Une tâche d’analyse documentaire peut demander une comparaison avec des références de sections ou de pages à l’appui.
Aperçu du modèle
Le point de contrôle à mélange d’experts clairsemé compte 122 milliards de paramètres au total et en active dix milliards. Il comporte 48 couches de modèle de langage, avec des groupes de trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 256 experts routés, sélectionnant huit experts routés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Ses nombres totaux et activés ont des significations différentes; le nombre activé n’est pas la taille complète du point de contrôle.
C’est une édition distincte du modèle dense Qwen3.5-27B, du modèle clairsemé Qwen3.5-35B-A3B et des générations ultérieures de modèles. Ne déduisez pas un classement général de performance ou de latence de la taille seule. Le contexte natif est de 262,144 tokens et l’extension documentée atteint 1,010,000 par configuration. Qwen conseille de conserver au moins un contexte de 128K lorsque possible pour la réflexion complexe, tout en reconnaissant que la pression sur la mémoire peut exiger une fenêtre plus petite.
Préparer les éléments combinant texte et vision
Préservez les libellés de schémas, les axes de graphiques, les en-têtes de tableaux et les unités. Précisez si le résultat doit expliquer une relation, extraire des champs nommés ou proposer du code. Lorsque plusieurs sources comptent, identifiez-les et demandez une sortie organisée selon les mêmes identifiants. Séparez les faits visibles des hypothèses pour qu’une personne qui révise puisse retracer le raisonnement aux documents fournis.
Pour une demande de programmation, identifiez le comportement visé, le code source pertinent et une entrée démontrant le problème. Demandez un correctif modifiable avec une explication des conditions touchées et des vérifications. Pour la vidéo, préservez la séquence et le minutage des événements et précisez la question plutôt que de demander un résumé indifférencié. Le résultat textuel du modèle est une ébauche de livrable à examiner; la capacité d’entrée visuelle ne signifie pas la génération d’images, de vidéos ou de parole.
Réflexion et historique
La réflexion est activée par défaut, avec le raisonnement avant la réponse finale. Le réglage enable_thinking du fabricant peut la désactiver pour les réponses directes. Les anciennes commandes souples /think et /nothink ne sont pas officiellement prises en charge. Qwen3.5 recommande de garder les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela ne doit pas être remplacé par les options de conservation historique des générations Qwen ultérieures simplement parce qu’elles partagent un nom de famille.
Gardez le résultat final facile à repérer, comme un champ de réponse défini, une valeur délimitée ou un livrable de code séparé. Une réponse directe nécessite toujours une vérification, tandis qu’un raisonnement plus long n’est utile que si ses étapes appuient une conclusion vérifiable.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Définissez les actions permises, les éléments disponibles et les critères d’achèvement. Les outils connectés exécutent les opérations et retournent les résultats; le modèle utilise cette rétroaction dans son analyse. Une commande, une requête de récupération d’information ou un correctif proposé doit rester distinct d’une action réellement terminée par l’application.
Contexte très long et vidéo
L’extension du fabricant utilise YaRN avec les réglages positionnels entrelacés du point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens, et deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; elle doit donc suivre un besoin réel de contexte plus grand. L’entrée, les représentations visuelles, l’historique, le raisonnement et la réponse finale utilisent tous le budget de séquence configuré.
L’exemple vidéo pris en charge utilise deux images par seconde par défaut. Pour les documents de l’ordre d’une heure, le fabricant recommande d’augmenter le budget du processeur à environ 224K tokens vidéo pour un échantillonnage à fréquence plus élevée. C’est une recette dépendant de la configuration, et non une garantie universelle de durée de média, de rappel complet ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques recommandent 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 réflexion générale. La programmation précise utilise temperature 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Le raisonnement à réponse directe a un préréglage distinct : temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Des pénalités de présence plus élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Les allocations de génération recommandées sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour le travail mathématique ou de programmation particulièrement complexe; ce ne sont pas des plafonds stricts de sortie établis séparément. Définissez le format demandé, conservez les identifiants de sources et vérifiez les calculs, les valeurs extraites et le code proposé par rapport aux éléments originaux. Le résultat utile est un livrable textuel complet dont les hypothèses et les documents à l’appui restent visibles.
", "aboutText": "Points saillants de Qwen3.5 : le modèle à experts 122B-A10B\n\nQwen3.5-122B-A10B est un modèle de vision et de langage après postentraînement pour les tâches combinant texte et vision. Il accepte le texte, les images et la vidéo et retourne du texte, notamment des explications, des propositions de code et les livrables documentaires demandés. La famille est construite par la fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes, développant le raisonnement, la programmation, les agents et la compréhension visuelle. Elle décrit une couverture de 201 langues et dialectes, sans laisser entendre que chaque langue ou domaine a une fiabilité identique.\n\nUne tâche utile peut combiner une spécification technique, des schémas et du code pertinent et demander au modèle d’expliquer les composants et de retourner une proposition d’implantation. Une tâche d’analyse documentaire peut demander une comparaison avec des références de sections ou de pages à l’appui.\n\nAperçu du modèle\n\nLe point de contrôle à mélange d’experts clairsemé compte 122 milliards de paramètres au total et en active dix milliards. Il comporte 48 couches de modèle de langage, avec des groupes de trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 256 experts routés, sélectionnant huit experts routés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Ses nombres totaux et activés ont des significations différentes; le nombre activé n’est pas la taille complète du point de contrôle.\n\nC’est une édition distincte du modèle dense Qwen3.5-27B, du modèle clairsemé Qwen3.5-35B-A3B et des générations ultérieures de modèles. Ne déduisez pas un classement général de performance ou de latence de la taille seule. Le contexte natif est de 262,144 tokens et l’extension documentée atteint 1,010,000 par configuration. Qwen conseille de conserver au moins un contexte de 128K lorsque possible pour la réflexion complexe, tout en reconnaissant que la pression sur la mémoire peut exiger une fenêtre plus petite.\n\nPréparer les éléments combinant texte et vision\n\nPréservez les libellés de schémas, les axes de graphiques, les en-têtes de tableaux et les unités. Précisez si le résultat doit expliquer une relation, extraire des champs nommés ou proposer du code. Lorsque plusieurs sources comptent, identifiez-les et demandez une sortie organisée selon les mêmes identifiants. Séparez les faits visibles des hypothèses pour qu’une personne qui révise puisse retracer le raisonnement aux documents fournis.\n\nPour une demande de programmation, identifiez le comportement visé, le code source pertinent et une entrée démontrant le problème. Demandez un correctif modifiable avec une explication des conditions touchées et des vérifications. Pour la vidéo, préservez la séquence et le minutage des événements et précisez la question plutôt que de demander un résumé indifférencié. Le résultat textuel du modèle est une ébauche de livrable à examiner; la capacité d’entrée visuelle ne signifie pas la génération d’images, de vidéos ou de parole.\n\nRéflexion et historique\n\nLa réflexion est activée par défaut, avec le raisonnement avant la réponse finale. Le réglage enable_thinking du fabricant peut la désactiver pour les réponses directes. Les anciennes commandes souples /think et /nothink ne sont pas officiellement prises en charge. Qwen3.5 recommande de garder les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela ne doit pas être remplacé par les options de conservation historique des générations Qwen ultérieures simplement parce qu’elles partagent un nom de famille.\n\nGardez le résultat final facile à repérer, comme un champ de réponse défini, une valeur délimitée ou un livrable de code séparé. Une réponse directe nécessite toujours une vérification, tandis qu’un raisonnement plus long n’est utile que si ses étapes appuient une conclusion vérifiable.\n\nUtilisation comme 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 le travail d’agent de programmation. Définissez les actions permises, les éléments disponibles et les critères d’achèvement. Les outils connectés exécutent les opérations et retournent les résultats; le modèle utilise cette rétroaction dans son analyse. Une commande, une requête de récupération d’information ou un correctif proposé doit rester distinct d’une action réellement terminée par l’application.\n\nContexte très long et vidéo\n\nL’extension du fabricant utilise YaRN avec les réglages positionnels entrelacés du point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens, et deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; elle doit donc suivre un besoin réel de contexte plus grand. L’entrée, les représentations visuelles, l’historique, le raisonnement et la réponse finale utilisent tous le budget de séquence configuré.\n\nL’exemple vidéo pris en charge utilise deux images par seconde par défaut. Pour les documents de l’ordre d’une heure, le fabricant recommande d’augmenter le budget du processeur à environ 224K tokens vidéo pour un échantillonnage à fréquence plus élevée. C’est une recette dépendant de la configuration, et non une garantie universelle de durée de média, de rappel complet ou de précision des horodatages.\n\nRecommandations de génération et limites de fond\n\nLes bonnes pratiques recommandent 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 réflexion générale. La programmation précise utilise temperature 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Le raisonnement à réponse directe a un préréglage distinct : temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Des pénalités de présence plus élevées peuvent mélanger les langues ou réduire légèrement la qualité.\n\nLes allocations de génération recommandées sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour le travail mathématique ou de programmation particulièrement complexe; ce ne sont pas des plafonds stricts de sortie établis séparément. Définissez le format demandé, conservez les identifiants de sources et vérifiez les calculs, les valeurs extraites et le code proposé par rapport aux éléments originaux. Le résultat utile est un livrable textuel complet dont les hypothèses et les documents à l’appui restent visibles.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B est le modèle de vision et de langage de Qwen à mélange d’experts, avec 122 milliards de paramètres au total et 10 milliards activés. Il reçoit le texte, les images et la vidéo pour les tâches de raisonnement, de programmation et d’agent et retourne du texte avec une réflexion sélectionnable et un contexte natif de 262,144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points saillants de Qwen3.5 : le modèle à experts 122B-A10B
Qwen3.5-122B-A10B est un modèle de vision et de langage après postentraînement pour les tâches combinant texte et vision. Il accepte le texte, les images et la vidéo et retourne du texte, notamment des explications, des propositions de code et les livrables documentaires demandés. La famille est construite par la fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes, développant le raisonnement, la programmation, les agents et la compréhension visuelle. Elle décrit une couverture de 201 langues et dialectes, sans laisser entendre que chaque langue ou domaine a une fiabilité identique.
Une tâche utile peut combiner une spécification technique, des schémas et du code pertinent et demander au modèle d’expliquer les composants et de retourner une proposition d’implantation. Une tâche d’analyse documentaire peut demander une comparaison avec des références de sections ou de pages à l’appui.
Aperçu du modèle
Le point de contrôle à mélange d’experts clairsemé compte 122 milliards de paramètres au total et en active dix milliards. Il comporte 48 couches de modèle de langage, avec des groupes de trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 256 experts routés, sélectionnant huit experts routés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Ses nombres totaux et activés ont des significations différentes; le nombre activé n’est pas la taille complète du point de contrôle.
C’est une édition distincte du modèle dense Qwen3.5-27B, du modèle clairsemé Qwen3.5-35B-A3B et des générations ultérieures de modèles. Ne déduisez pas un classement général de performance ou de latence de la taille seule. Le contexte natif est de 262,144 tokens et l’extension documentée atteint 1,010,000 par configuration. Qwen conseille de conserver au moins un contexte de 128K lorsque possible pour la réflexion complexe, tout en reconnaissant que la pression sur la mémoire peut exiger une fenêtre plus petite.
Préparer les éléments combinant texte et vision
Préservez les libellés de schémas, les axes de graphiques, les en-têtes de tableaux et les unités. Précisez si le résultat doit expliquer une relation, extraire des champs nommés ou proposer du code. Lorsque plusieurs sources comptent, identifiez-les et demandez une sortie organisée selon les mêmes identifiants. Séparez les faits visibles des hypothèses pour qu’une personne qui révise puisse retracer le raisonnement aux documents fournis.
Pour une demande de programmation, identifiez le comportement visé, le code source pertinent et une entrée démontrant le problème. Demandez un correctif modifiable avec une explication des conditions touchées et des vérifications. Pour la vidéo, préservez la séquence et le minutage des événements et précisez la question plutôt que de demander un résumé indifférencié. Le résultat textuel du modèle est une ébauche de livrable à examiner; la capacité d’entrée visuelle ne signifie pas la génération d’images, de vidéos ou de parole.
Réflexion et historique
La réflexion est activée par défaut, avec le raisonnement avant la réponse finale. Le réglage enable_thinking du fabricant peut la désactiver pour les réponses directes. Les anciennes commandes souples /think et /nothink ne sont pas officiellement prises en charge. Qwen3.5 recommande de garder les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela ne doit pas être remplacé par les options de conservation historique des générations Qwen ultérieures simplement parce qu’elles partagent un nom de famille.
Gardez le résultat final facile à repérer, comme un champ de réponse défini, une valeur délimitée ou un livrable de code séparé. Une réponse directe nécessite toujours une vérification, tandis qu’un raisonnement plus long n’est utile que si ses étapes appuient une conclusion vérifiable.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Définissez les actions permises, les éléments disponibles et les critères d’achèvement. Les outils connectés exécutent les opérations et retournent les résultats; le modèle utilise cette rétroaction dans son analyse. Une commande, une requête de récupération d’information ou un correctif proposé doit rester distinct d’une action réellement terminée par l’application.
Contexte très long et vidéo
L’extension du fabricant utilise YaRN avec les réglages positionnels entrelacés du point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens, et deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; elle doit donc suivre un besoin réel de contexte plus grand. L’entrée, les représentations visuelles, l’historique, le raisonnement et la réponse finale utilisent tous le budget de séquence configuré.
L’exemple vidéo pris en charge utilise deux images par seconde par défaut. Pour les documents de l’ordre d’une heure, le fabricant recommande d’augmenter le budget du processeur à environ 224K tokens vidéo pour un échantillonnage à fréquence plus élevée. C’est une recette dépendant de la configuration, et non une garantie universelle de durée de média, de rappel complet ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques recommandent 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 réflexion générale. La programmation précise utilise temperature 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Le raisonnement à réponse directe a un préréglage distinct : temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Des pénalités de présence plus élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Les allocations de génération recommandées sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour le travail mathématique ou de programmation particulièrement complexe; ce ne sont pas des plafonds stricts de sortie établis séparément. Définissez le format demandé, conservez les identifiants de sources et vérifiez les calculs, les valeurs extraites et le code proposé par rapport aux éléments originaux. Le résultat utile est un livrable textuel complet dont les hypothèses et les documents à l’appui restent visibles.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-122b-a10b | 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00058 / 1K jetons Sortie · Jetons en sortie $0.00458 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00058 / 1K jetons Sortie · Jetons en sortie $0.00458 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B est le modèle de vision et de langage de Qwen à mélange d’experts, avec 122 milliards de paramètres au total et 10 milliards activés. Il reçoit le texte, les images et la vidéo pour les tâches de raisonnement, de programmation et d’agent et retourne du texte avec une réflexion sélectionnable et un contexte natif de 262,144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points saillants de Qwen3.5 : le modèle à experts 122B-A10B
Qwen3.5-122B-A10B est un modèle de vision et de langage après postentraînement pour les tâches combinant texte et vision. Il accepte le texte, les images et la vidéo et retourne du texte, notamment des explications, des propositions de code et les livrables documentaires demandés. La famille est construite par la fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes, développant le raisonnement, la programmation, les agents et la compréhension visuelle. Elle décrit une couverture de 201 langues et dialectes, sans laisser entendre que chaque langue ou domaine a une fiabilité identique.
Une tâche utile peut combiner une spécification technique, des schémas et du code pertinent et demander au modèle d’expliquer les composants et de retourner une proposition d’implantation. Une tâche d’analyse documentaire peut demander une comparaison avec des références de sections ou de pages à l’appui.
Aperçu du modèle
Le point de contrôle à mélange d’experts clairsemé compte 122 milliards de paramètres au total et en active dix milliards. Il comporte 48 couches de modèle de langage, avec des groupes de trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 256 experts routés, sélectionnant huit experts routés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Ses nombres totaux et activés ont des significations différentes; le nombre activé n’est pas la taille complète du point de contrôle.
C’est une édition distincte du modèle dense Qwen3.5-27B, du modèle clairsemé Qwen3.5-35B-A3B et des générations ultérieures de modèles. Ne déduisez pas un classement général de performance ou de latence de la taille seule. Le contexte natif est de 262,144 tokens et l’extension documentée atteint 1,010,000 par configuration. Qwen conseille de conserver au moins un contexte de 128K lorsque possible pour la réflexion complexe, tout en reconnaissant que la pression sur la mémoire peut exiger une fenêtre plus petite.
Préparer les éléments combinant texte et vision
Préservez les libellés de schémas, les axes de graphiques, les en-têtes de tableaux et les unités. Précisez si le résultat doit expliquer une relation, extraire des champs nommés ou proposer du code. Lorsque plusieurs sources comptent, identifiez-les et demandez une sortie organisée selon les mêmes identifiants. Séparez les faits visibles des hypothèses pour qu’une personne qui révise puisse retracer le raisonnement aux documents fournis.
Pour une demande de programmation, identifiez le comportement visé, le code source pertinent et une entrée démontrant le problème. Demandez un correctif modifiable avec une explication des conditions touchées et des vérifications. Pour la vidéo, préservez la séquence et le minutage des événements et précisez la question plutôt que de demander un résumé indifférencié. Le résultat textuel du modèle est une ébauche de livrable à examiner; la capacité d’entrée visuelle ne signifie pas la génération d’images, de vidéos ou de parole.
Réflexion et historique
La réflexion est activée par défaut, avec le raisonnement avant la réponse finale. Le réglage enable_thinking du fabricant peut la désactiver pour les réponses directes. Les anciennes commandes souples /think et /nothink ne sont pas officiellement prises en charge. Qwen3.5 recommande de garder les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela ne doit pas être remplacé par les options de conservation historique des générations Qwen ultérieures simplement parce qu’elles partagent un nom de famille.
Gardez le résultat final facile à repérer, comme un champ de réponse défini, une valeur délimitée ou un livrable de code séparé. Une réponse directe nécessite toujours une vérification, tandis qu’un raisonnement plus long n’est utile que si ses étapes appuient une conclusion vérifiable.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Définissez les actions permises, les éléments disponibles et les critères d’achèvement. Les outils connectés exécutent les opérations et retournent les résultats; le modèle utilise cette rétroaction dans son analyse. Une commande, une requête de récupération d’information ou un correctif proposé doit rester distinct d’une action réellement terminée par l’application.
Contexte très long et vidéo
L’extension du fabricant utilise YaRN avec les réglages positionnels entrelacés du point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens, et deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; elle doit donc suivre un besoin réel de contexte plus grand. L’entrée, les représentations visuelles, l’historique, le raisonnement et la réponse finale utilisent tous le budget de séquence configuré.
L’exemple vidéo pris en charge utilise deux images par seconde par défaut. Pour les documents de l’ordre d’une heure, le fabricant recommande d’augmenter le budget du processeur à environ 224K tokens vidéo pour un échantillonnage à fréquence plus élevée. C’est une recette dépendant de la configuration, et non une garantie universelle de durée de média, de rappel complet ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques recommandent 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 réflexion générale. La programmation précise utilise temperature 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Le raisonnement à réponse directe a un préréglage distinct : temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Des pénalités de présence plus élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Les allocations de génération recommandées sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour le travail mathématique ou de programmation particulièrement complexe; ce ne sont pas des plafonds stricts de sortie établis séparément. Définissez le format demandé, conservez les identifiants de sources et vérifiez les calculs, les valeurs extraites et le code proposé par rapport aux éléments originaux. Le résultat utile est un livrable textuel complet dont les hypothèses et les documents à l’appui restent visibles.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-122b-a10b | 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00058 / 1K jetons Sortie · Jetons en sortie $0.00458 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00058 / 1K jetons Sortie · Jetons en sortie $0.00458 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.