Points saillants de Qwen3.5 : le point de contrôle 397B-A17B
Qwen3.5-397B-A17B est le modèle de vision et de langage à mélange d’experts de la famille Qwen3.5 après postentraînement. Il accepte le texte, les images et la vidéo et génère du texte : des explications, des propositions de code, des analyses et les livrables documentaires demandés. La famille utilise la fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer le raisonnement, la programmation, les agents et la compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, plutôt qu’une promesse de fiabilité identique pour chaque langue ou domaine spécialisé.
Le fabricant décrit séparément le modèle géré Qwen3.5-Plus comme une offre correspondante avec des fonctions de production supplémentaires. Préservez l’identité, le contexte et la recette de génération propres à ce point de contrôle ouvert au lieu d’importer toutes les fonctions gérées ou les réglages Qwen ultérieurs. L’édition précise 397B-A17B reste distincte des modèles denses et à experts plus petits de la même famille.
Aperçu du modèle
Le modèle compte 397 milliards de paramètres au total et en active 17 milliards. Sa structure hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 512 experts routés, sélectionnant dix experts routés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Les paramètres totaux, les paramètres activés et la taille de stockage du point de contrôle complet sont des concepts différents; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262,144 tokens, avec une extension conditionnelle jusqu’à 1,010,000. Le texte, les images ou vidéos représentées, l’historique de conversation, le raisonnement et la réponse finale partagent l’allocation de séquence configurée. Utilisez le budget réellement configuré pour une tâche au lieu de supposer que le plus grand document et la plus grande réponse tiennent automatiquement ensemble.
Préparer les éléments textuels et visuels
Pour un projet technique, fournissez la spécification, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implantation organisée par composants touchés et appuyée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de sections, les libellés de tableaux et les unités et demandez un tableau de constats avec des éléments à l’appui de chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à garder inchangés.
Pour une question d’image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre et le minutage des images. Comparez les détails visuels retournés, les citations et les descriptions d’événements aux images, passages et horodatages originaux. Le résultat reste une analyse textuelle ou du code; l’entrée visuelle du modèle n’implique pas la génération d’images, de vidéos ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du fabricant peut la désactiver pour une réponse directe. Les anciennes commandes souples de consigne /think et /nothink ne sont pas officiellement prises en charge pour Qwen3.5. Gardez le livrable final facile à repérer après le raisonnement, comme une conclusion délimitée, un tableau d’éléments probants ou une proposition de code séparée.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation du raisonnement historique introduites dans les versions ultérieures. Suivez le gabarit de ce point de contrôle précis et gardez les corrections ou les observations d’outils associées à la tâche qu’elles mettent à jour.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, et Qwen Code pour les processus d’agent de programmation. Énoncez les opérations permises, les éléments disponibles et les critères observables d’achèvement. Une application exécute les outils et fournit leurs résultats; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposé reste distinct d’une action réellement terminée dans l’environnement.
Textes et vidéos très longs
L’extension du fabricant utilise YaRN avec les réglages positionnels entrelacés propres au point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; un facteur de 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. Organisez une longue entrée par identifiant de document, de page ou de code et réservez de l’espace pour le résultat.
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 un budget de processeur plus grand correspondant 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 de ce point de contrôle recommandent temperature 0.6, top_p 0.95, top_k 20 et min_p 0 pour la réflexion, et temperature 0.7, top_p 0.8, top_k 20 et min_p 0 pour les réponses directes. Ces recommandations précises diffèrent de celles de certaines éditions Qwen3.5 plus petites. Lorsque prise en charge, une pénalité de présence entre zéro et deux peut réduire la répétition, mais des valeurs 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 sont des recommandations, et non des plafonds stricts indépendants de sortie. Précisez le format de réponse requis et vérifiez les calculs, les détails extraits et le code proposé par rapport à la source. La sortie utile est un livrable textuel concret dont les éléments à l’appui et les hypothèses peuvent être révisés.
", "aboutText": "Points saillants de Qwen3.5 : le point de contrôle 397B-A17B\n\nQwen3.5-397B-A17B est le modèle de vision et de langage à mélange d’experts de la famille Qwen3.5 après postentraînement. Il accepte le texte, les images et la vidéo et génère du texte : des explications, des propositions de code, des analyses et les livrables documentaires demandés. La famille utilise la fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer le raisonnement, la programmation, les agents et la compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, plutôt qu’une promesse de fiabilité identique pour chaque langue ou domaine spécialisé.\n\nLe fabricant décrit séparément le modèle géré Qwen3.5-Plus comme une offre correspondante avec des fonctions de production supplémentaires. Préservez l’identité, le contexte et la recette de génération propres à ce point de contrôle ouvert au lieu d’importer toutes les fonctions gérées ou les réglages Qwen ultérieurs. L’édition précise 397B-A17B reste distincte des modèles denses et à experts plus petits de la même famille.\n\nAperçu du modèle\n\nLe modèle compte 397 milliards de paramètres au total et en active 17 milliards. Sa structure hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 512 experts routés, sélectionnant dix experts routés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Les paramètres totaux, les paramètres activés et la taille de stockage du point de contrôle complet sont des concepts différents; ces nombres n’établissent pas un temps de réponse fixe.\n\nLe contexte natif est de 262,144 tokens, avec une extension conditionnelle jusqu’à 1,010,000. Le texte, les images ou vidéos représentées, l’historique de conversation, le raisonnement et la réponse finale partagent l’allocation de séquence configurée. Utilisez le budget réellement configuré pour une tâche au lieu de supposer que le plus grand document et la plus grande réponse tiennent automatiquement ensemble.\n\nPréparer les éléments textuels et visuels\n\nPour un projet technique, fournissez la spécification, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implantation organisée par composants touchés et appuyée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de sections, les libellés de tableaux et les unités et demandez un tableau de constats avec des éléments à l’appui de chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à garder inchangés.\n\nPour une question d’image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre et le minutage des images. Comparez les détails visuels retournés, les citations et les descriptions d’événements aux images, passages et horodatages originaux. Le résultat reste une analyse textuelle ou du code; l’entrée visuelle du modèle n’implique pas la génération d’images, de vidéos ou de parole.\n\nRéflexion et historique de conversation\n\nLa réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du fabricant peut la désactiver pour une réponse directe. Les anciennes commandes souples de consigne /think et /nothink ne sont pas officiellement prises en charge pour Qwen3.5. Gardez le livrable final facile à repérer après le raisonnement, comme une conclusion délimitée, un tableau d’éléments probants ou une proposition de code séparée.\n\nLa fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation du raisonnement historique introduites dans les versions ultérieures. Suivez le gabarit de ce point de contrôle précis et gardez les corrections ou les observations d’outils associées à la tâche qu’elles mettent à jour.\n\nUtilisation comme agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, et Qwen Code pour les processus d’agent de programmation. Énoncez les opérations permises, les éléments disponibles et les critères observables d’achèvement. Une application exécute les outils et fournit leurs résultats; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposé reste distinct d’une action réellement terminée dans l’environnement.\n\nTextes et vidéos très longs\n\nL’extension du fabricant utilise YaRN avec les réglages positionnels entrelacés propres au point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; un facteur de 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. Organisez une longue entrée par identifiant de document, de page ou de code et réservez de l’espace pour le résultat.\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 un budget de processeur plus grand correspondant 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 de ce point de contrôle recommandent temperature 0.6, top_p 0.95, top_k 20 et min_p 0 pour la réflexion, et temperature 0.7, top_p 0.8, top_k 20 et min_p 0 pour les réponses directes. Ces recommandations précises diffèrent de celles de certaines éditions Qwen3.5 plus petites. Lorsque prise en charge, une pénalité de présence entre zéro et deux peut réduire la répétition, mais des valeurs 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 sont des recommandations, et non des plafonds stricts indépendants de sortie. Précisez le format de réponse requis et vérifiez les calculs, les détails extraits et le code proposé par rapport à la source. La sortie utile est un livrable textuel concret dont les éléments à l’appui et les hypothèses peuvent être révisés.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B est le modèle de vision et de langage de Qwen à mélange d’experts, avec 397 milliards de paramètres au total et 17 milliards activés. Il accepte le texte, les images et la vidéo et retourne du texte pour les tâches de raisonnement, de programmation et d’agent, 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 point de contrôle 397B-A17B
Qwen3.5-397B-A17B est le modèle de vision et de langage à mélange d’experts de la famille Qwen3.5 après postentraînement. Il accepte le texte, les images et la vidéo et génère du texte : des explications, des propositions de code, des analyses et les livrables documentaires demandés. La famille utilise la fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer le raisonnement, la programmation, les agents et la compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, plutôt qu’une promesse de fiabilité identique pour chaque langue ou domaine spécialisé.
Le fabricant décrit séparément le modèle géré Qwen3.5-Plus comme une offre correspondante avec des fonctions de production supplémentaires. Préservez l’identité, le contexte et la recette de génération propres à ce point de contrôle ouvert au lieu d’importer toutes les fonctions gérées ou les réglages Qwen ultérieurs. L’édition précise 397B-A17B reste distincte des modèles denses et à experts plus petits de la même famille.
Aperçu du modèle
Le modèle compte 397 milliards de paramètres au total et en active 17 milliards. Sa structure hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 512 experts routés, sélectionnant dix experts routés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Les paramètres totaux, les paramètres activés et la taille de stockage du point de contrôle complet sont des concepts différents; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262,144 tokens, avec une extension conditionnelle jusqu’à 1,010,000. Le texte, les images ou vidéos représentées, l’historique de conversation, le raisonnement et la réponse finale partagent l’allocation de séquence configurée. Utilisez le budget réellement configuré pour une tâche au lieu de supposer que le plus grand document et la plus grande réponse tiennent automatiquement ensemble.
Préparer les éléments textuels et visuels
Pour un projet technique, fournissez la spécification, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implantation organisée par composants touchés et appuyée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de sections, les libellés de tableaux et les unités et demandez un tableau de constats avec des éléments à l’appui de chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à garder inchangés.
Pour une question d’image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre et le minutage des images. Comparez les détails visuels retournés, les citations et les descriptions d’événements aux images, passages et horodatages originaux. Le résultat reste une analyse textuelle ou du code; l’entrée visuelle du modèle n’implique pas la génération d’images, de vidéos ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du fabricant peut la désactiver pour une réponse directe. Les anciennes commandes souples de consigne /think et /nothink ne sont pas officiellement prises en charge pour Qwen3.5. Gardez le livrable final facile à repérer après le raisonnement, comme une conclusion délimitée, un tableau d’éléments probants ou une proposition de code séparée.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation du raisonnement historique introduites dans les versions ultérieures. Suivez le gabarit de ce point de contrôle précis et gardez les corrections ou les observations d’outils associées à la tâche qu’elles mettent à jour.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, et Qwen Code pour les processus d’agent de programmation. Énoncez les opérations permises, les éléments disponibles et les critères observables d’achèvement. Une application exécute les outils et fournit leurs résultats; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposé reste distinct d’une action réellement terminée dans l’environnement.
Textes et vidéos très longs
L’extension du fabricant utilise YaRN avec les réglages positionnels entrelacés propres au point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; un facteur de 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. Organisez une longue entrée par identifiant de document, de page ou de code et réservez de l’espace pour le résultat.
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 un budget de processeur plus grand correspondant 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 de ce point de contrôle recommandent temperature 0.6, top_p 0.95, top_k 20 et min_p 0 pour la réflexion, et temperature 0.7, top_p 0.8, top_k 20 et min_p 0 pour les réponses directes. Ces recommandations précises diffèrent de celles de certaines éditions Qwen3.5 plus petites. Lorsque prise en charge, une pénalité de présence entre zéro et deux peut réduire la répétition, mais des valeurs 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 sont des recommandations, et non des plafonds stricts indépendants de sortie. Précisez le format de réponse requis et vérifiez les calculs, les détails extraits et le code proposé par rapport à la source. La sortie utile est un livrable textuel concret dont les éléments à l’appui et les hypothèses peuvent être révisés.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-397b-a17b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’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 $0.00078 / 1K jetons Sortie · Jetons en sortie $0.00468 / 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 $0.00078 / 1K jetons Sortie · Jetons en sortie $0.00468 / 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/qwen3.5-397b-a17b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-397b-a17b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-397b-a17b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, 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/qwen3.5-397b-a17b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B est le modèle de vision et de langage de Qwen à mélange d’experts, avec 397 milliards de paramètres au total et 17 milliards activés. Il accepte le texte, les images et la vidéo et retourne du texte pour les tâches de raisonnement, de programmation et d’agent, 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 point de contrôle 397B-A17B
Qwen3.5-397B-A17B est le modèle de vision et de langage à mélange d’experts de la famille Qwen3.5 après postentraînement. Il accepte le texte, les images et la vidéo et génère du texte : des explications, des propositions de code, des analyses et les livrables documentaires demandés. La famille utilise la fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer le raisonnement, la programmation, les agents et la compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, plutôt qu’une promesse de fiabilité identique pour chaque langue ou domaine spécialisé.
Le fabricant décrit séparément le modèle géré Qwen3.5-Plus comme une offre correspondante avec des fonctions de production supplémentaires. Préservez l’identité, le contexte et la recette de génération propres à ce point de contrôle ouvert au lieu d’importer toutes les fonctions gérées ou les réglages Qwen ultérieurs. L’édition précise 397B-A17B reste distincte des modèles denses et à experts plus petits de la même famille.
Aperçu du modèle
Le modèle compte 397 milliards de paramètres au total et en active 17 milliards. Sa structure hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 512 experts routés, sélectionnant dix experts routés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Les paramètres totaux, les paramètres activés et la taille de stockage du point de contrôle complet sont des concepts différents; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262,144 tokens, avec une extension conditionnelle jusqu’à 1,010,000. Le texte, les images ou vidéos représentées, l’historique de conversation, le raisonnement et la réponse finale partagent l’allocation de séquence configurée. Utilisez le budget réellement configuré pour une tâche au lieu de supposer que le plus grand document et la plus grande réponse tiennent automatiquement ensemble.
Préparer les éléments textuels et visuels
Pour un projet technique, fournissez la spécification, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implantation organisée par composants touchés et appuyée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de sections, les libellés de tableaux et les unités et demandez un tableau de constats avec des éléments à l’appui de chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à garder inchangés.
Pour une question d’image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre et le minutage des images. Comparez les détails visuels retournés, les citations et les descriptions d’événements aux images, passages et horodatages originaux. Le résultat reste une analyse textuelle ou du code; l’entrée visuelle du modèle n’implique pas la génération d’images, de vidéos ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du fabricant peut la désactiver pour une réponse directe. Les anciennes commandes souples de consigne /think et /nothink ne sont pas officiellement prises en charge pour Qwen3.5. Gardez le livrable final facile à repérer après le raisonnement, comme une conclusion délimitée, un tableau d’éléments probants ou une proposition de code séparée.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation du raisonnement historique introduites dans les versions ultérieures. Suivez le gabarit de ce point de contrôle précis et gardez les corrections ou les observations d’outils associées à la tâche qu’elles mettent à jour.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, et Qwen Code pour les processus d’agent de programmation. Énoncez les opérations permises, les éléments disponibles et les critères observables d’achèvement. Une application exécute les outils et fournit leurs résultats; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposé reste distinct d’une action réellement terminée dans l’environnement.
Textes et vidéos très longs
L’extension du fabricant utilise YaRN avec les réglages positionnels entrelacés propres au point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; un facteur de 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. Organisez une longue entrée par identifiant de document, de page ou de code et réservez de l’espace pour le résultat.
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 un budget de processeur plus grand correspondant 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 de ce point de contrôle recommandent temperature 0.6, top_p 0.95, top_k 20 et min_p 0 pour la réflexion, et temperature 0.7, top_p 0.8, top_k 20 et min_p 0 pour les réponses directes. Ces recommandations précises diffèrent de celles de certaines éditions Qwen3.5 plus petites. Lorsque prise en charge, une pénalité de présence entre zéro et deux peut réduire la répétition, mais des valeurs 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 sont des recommandations, et non des plafonds stricts indépendants de sortie. Précisez le format de réponse requis et vérifiez les calculs, les détails extraits et le code proposé par rapport à la source. La sortie utile est un livrable textuel concret dont les éléments à l’appui et les hypothèses peuvent être révisés.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-397b-a17b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | 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 $0.00078 / 1K jetons Sortie · Jetons en sortie $0.00468 / 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 $0.00078 / 1K jetons Sortie · Jetons en sortie $0.00468 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-397b-a17b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-397b-a17b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les 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/qwen3.5-397b-a17b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.