models

Qwen: Qwen3.5-9B

Markdown · JSON

Qwen: Qwen3.5-9B

Qwen3.5-9B est le modèle dense de vision et de langage de Qwen à 9 milliards de paramètres pour le texte, les images et la vidéo, avec sortie textuelle. Il combine le raisonnement, la programmation, l’appel d’outils et le travail multilingue, avec une réflexion sélectionnable et un contexte natif de 262,144 tokens extensible par configuration.

À propos du modèle

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 dans l’édition dense 9B

Qwen3.5-9B est le point de contrôle dense de vision et de langage de 9 milliards de paramètres après postentraînement. Il accepte le texte, les images et la vidéo et retourne du texte. La famille réunit le raisonnement, la programmation, les agents et la compréhension visuelle grâce à la fusion précoce de l’entraînement textuel et visuel, à l’apprentissage par renforcement sur des tâches progressivement complexes et à la prise en charge de 201 langues et dialectes. Cette couverture linguistique est une capacité de la famille, et non une garantie de fiabilité identique pour chaque langue ou sujet.

Pour le travail documentaire multilingue, précisez la langue cible, préservez les termes techniques et demandez au résultat d’identifier les champs ou passages sources utilisés. Pour une question visuelle, fournissez une image lisible et une tâche précise. Pour une petite demande de programmation, fournissez l’entrée, le comportement souhaité et le code pertinent. Le modèle ne génère pas d’images ou de vidéos lorsqu’il analyse des documents visuels.

Aperçu du modèle

Ce modèle 9B précis est dense, avec 32 couches de modèle de langage et un encodeur visuel. Sa structure hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. La prédiction de plusieurs tokens est incluse dans l’entraînement. La famille comprend aussi des modèles à experts clairsemés, mais leurs descriptions des paramètres totaux et activés ne doivent pas être appliquées à cette édition dense.

Le contexte natif est de 262,144 tokens, avec une extension conditionnelle à 1,010,000. La configuration du modèle et sa taille numérique doivent rester distinctes de son point de contrôle Base, des autres tailles Qwen3.5 et des versions quantifiées. Un plus petit nombre de paramètres identifie l’édition; il n’établit pas à lui seul un temps de réponse universel ni un classement de qualité. Pour les tâches de réflexion complexes, Qwen recommande de conserver un contexte configuré d’au moins 128K tokens lorsque possible.

Entrées et modes de réponse

Le fabricant montre des questions uniquement textuelles, d’image et de vidéo. Donnez une question documentaire avec la page pertinente et les champs attendus, ou une question vidéo avec l’événement et la plage temporelle pertinents. Préservez les libellés, les unités et l’ordre des images. Demandez un résultat comparable à la source, comme un tableau de valeurs extraites ou une explication citant les éléments visibles.

La réflexion est activée par défaut. enable_thinking peut désactiver le raisonnement pour une réponse directe, tandis que les anciennes commandes souples de consigne /think et /nothink ne sont pas officiellement prises en charge. Utilisez le gabarit du fabricant et gardez le raisonnement distinct du texte final lorsque l’interface fournit les deux. La recommandation d’historique de Qwen3.5 consiste à conserver les réponses finales sans leur contenu de réflexion; les comportements plus récents de conservation historique ne doivent pas être importés dans cette version.

Utilisation comme agent

Qwen documente l’appel d’outils et recommande Qwen-Agent, notamment les outils configurés ou connectés par MCP, et Qwen Code pour le travail d’agent de programmation. Énoncez les outils permis et le résultat observable. Un outil connecté peut fournir un calcul, une récupération de sources ou une rétroaction réelle d’exécution; le modèle peut ensuite utiliser cette information dans sa réponse. Les outils et les actions externes relèvent de l’application; le nom du modèle seul n’établit donc pas l’accès ou l’exécution.

Textes très longs

L’extension documentée utilise YaRN avec les réglages positionnels propres à ce point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; pour 524,288 tokens, le fabricant suggère un facteur de deux. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; elle doit donc suivre le besoin réel d’un contexte plus long. L’entrée, la représentation visuelle, l’historique, le raisonnement et la sortie finale partagent le budget de séquence. Organisez les longs documents par identifiant de document ou de code et réservez de l’espace pour le livrable demandé.

Recommandations de génération

Les bonnes pratiques de la fiche distinguent plusieurs préréglages. La réflexion générale utilise 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. 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. Pour les tâches de raisonnement à réponse directe, les bonnes pratiques recommandent plutôt temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Ce sont des recettes propres aux tâches, et non des valeurs à mélanger sans discernement. Des pénalités de présence plus élevées peuvent causer un mélange de langues ou une légère baisse de qualité.

Qwen recommande une allocation de génération de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les questions mathématiques ou de programmation particulièrement complexes. Ce sont des recommandations plutôt que des plafonds stricts indépendants de sortie. Précisez le format de réponse, comme un résultat mathématique délimité ou un champ de réponse, et vérifiez la conclusion par rapport à la source.

Détails vidéo et limites de fond

L’exemple vidéo du fabricant utilise deux images par seconde par défaut dans son processus pris en charge. Ses recommandations pour les durées de l’ordre d’une heure augmentent le budget du processeur vidéo à environ 224K tokens vidéo pour un échantillonnage à fréquence plus élevée. Ce sont des exemples dépendant de la configuration, et non une garantie universelle de durée ou de minutage des événements. Gardez les petits textes et les transitions de scène importantes lisibles, et vérifiez le texte extrait, les calculs et le code généré avant d’utiliser le résultat. La valeur pratique de l’édition 9B est son champ documenté de tâches combinant texte et vision et son mode de réponse réglable, en préservant son identité dense précise.

Cas pratique

Cas pratique

Exemple technique en anglais

Implement a small text normaliser

Write a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and '   '. Do not remove punctuation beyond surrounding whitespace or use external packages.

Résultat attendu

The complete function and three assert tests preserving the specified code semantics.

Vérifier le résultat

The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions qwen/qwen3.5-9b

qwen/qwen3.5-9b

Alibaba /qwen/qwen3.5-9b

Pour commencer

Qwen3.5-9B est le modèle dense de vision et de langage de Qwen à 9 milliards de paramètres pour le texte, les images et la vidéo, avec sortie textuelle. Il combine le raisonnement, la programmation, l’appel d’outils et le travail multilingue, avec une réflexion sélectionnable et un contexte natif de 262,144 tokens extensible par configuration.

Entrées acceptées
Texte
Résultats
Texte

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Entrée
text
Sortie
text
Format de sortie
json ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
qwen/qwen3.5-9b
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limites
Nombre minimal d’éléments: 1
Par défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs 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[].contentTypestring|content_part[]|nullExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].tool_callsTypetool_call[]ExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].tool_call_idTypestringExigenceFacultatifValeurs et limites
S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé
Par défaut—
Champmessages[].nameTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].reasoning_contentTypestringExigenceFacultatifValeurs et limites
S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise
Par défaut—
Champmessages[].reasoning_detailsTypeobject|arrayExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champmax_tokensTypeintegerExigenceFacultatifValeurs et limites
Minimum: 1
Selon le modèle
Par défaut—
Champmax_completion_tokensTypeintegerExigenceFacultatifValeurs et limites
Minimum: 1
Selon le modèle
Par défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Champstream_options.include_usageTypebooleanExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChamptemperatureTypenumberExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champtop_pTypenumberExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampstopTypestring|string[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChamptoolsTypefunction_tool[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champtools[].typeTypestringExigenceFacultatifValeurs et limites
function
Selon le modèle
Par défaut—
Champtools[].function.nameTypestringExigenceObligatoireValeurs et limites
S’applique lorsque: Fonction fournie comme outil
Par défaut—
Champtools[].function.descriptionTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champtools[].function.parametersTypeJSON_schemaExigenceFacultatifValeurs et limitesPar défaut—
Champtool_choiceTypestring|objectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champparallel_tool_callsTypebooleanExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champresponse_formatTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champreasoning_effortTypestringExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampreasoningTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champservice_tierTypestringExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampinstructionsTypestringExigenceFacultatifValeurs et limites
Champ de compatibilité
Par défaut—
ChampfunctionsTypefunction[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champfunction_callTypestring|objectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champprompt_cache_optionsTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampmodalitiesTypestring[]ExigenceFacultatifValeurs et limites
text
Par défaut—
ChampproviderTypeobjectExigenceFacultatifValeurs et limites
Conditions: provider.options est refusé sur cette route textuelle Ultra
Par défaut—
Champcache_control.ttlTypestringExigenceFacultatifValeurs et limites
Conditions: La valeur 1h est refusée là où le cache des prompts est configuré
Par défaut—
Combinaisons d’éléments d’entrée

Texte · Texte UTF8

messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages
Paramètrematerial_typesContrattext
ParamètremessagesContratTableau de messages avec une structure role/content
Paramètrefile_materialContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit
Paramètreoptional_controlsContratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Paramètrecontrol_scopeContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés
Paramètreoutput_modalitiesContrattext
Paramètrehosted_operationsContratfalse
Paramètremultimodal_input_bindingContratnull

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.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireJetons de contexte, plus deJetons de contexte, jusqu’à la limite incluseCoût
ConfigurationTarifs de base des jetonsBarème tarifaireTarif de baseJetons de contexte, plus de—Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.0002 / 1K jetons
Sortie · Jetons en sortie $0.0003 / 1K jetons
Entrée · Lecture du cache — / 1K jetons
Entrée · Écriture dans le cache — / 1K jetons
Entrée · Écriture dans le cache, 1 h — / 1K jetons
ConfigurationPalier 1 de longueur de requêteBarème tarifaire—Jetons de contexte, plus de0Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.0002 / 1K jetons
Sortie · Jetons en sortie $0.0003 / 1K jetons
Entrée · Lecture du cache — / 1K jetons
Entrée · Écriture dans le cache — / 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 →

Exemples de requêtes

Ailoot Ultra · OpenAI Chat

curlPython SDKStreaming Python
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen/qwen3.5-9b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='qwen/qwen3.5-9b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='qwen/qwen3.5-9b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Recevoir et enregistrer les résultats

Ailoot Ultra · OpenAI Chat

json ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.

Champs de la réponse
ChampType
Champchoices[].indexTypeinteger
Champchoices[].message.contentTypestring|null
Champchoices[].message.tool_callsTypetool_call[]
Champchoices[].message.reasoning_contentTypestring
Champchoices[].message.reasoning_detailsTypeobject|array
Champchoices[].finish_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalidesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra qwen/qwen3.5-9b

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

qwen/qwen3.5-9b

Ailoot Ultra · Anthropic Messages POST /v1/messages qwen/qwen3.5-9b

qwen/qwen3.5-9b

Alibaba /qwen/qwen3.5-9b

Pour commencer

Qwen3.5-9B est le modèle dense de vision et de langage de Qwen à 9 milliards de paramètres pour le texte, les images et la vidéo, avec sortie textuelle. Il combine le raisonnement, la programmation, l’appel d’outils et le travail multilingue, avec une réflexion sélectionnable et un contexte natif de 262,144 tokens extensible par configuration.

Entrées acceptées
Texte
Résultats
json · sse

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Anthropic Messages POST /v1/messages
Entrée
text
Sortie
json, sse
Format de sortie
JSON ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
qwen/qwen3.5-9b
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limitesPar défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs et limites
user, assistant
Par défaut—
Champmessages[].contentTypestringExigenceObligatoireValeurs et limitesPar défaut—
Champmax_tokensTypeintegerExigenceObligatoireValeurs et limitesPar défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Combinaisons d’éléments d’entrée

Texte · Texte UTF-8

Chaîne messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages, max_tokens
Paramètreoptional_controlsContratstream
Paramètrematerial_typesContrattext
Paramètretext_file_materialContratLisez 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

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireJetons de contexte, plus deJetons de contexte, jusqu’à la limite incluseCoût
ConfigurationTarifs de base des jetonsBarème tarifaireTarif de baseJetons de contexte, plus de—Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.0002 / 1K jetons
Sortie · Jetons en sortie $0.0003 / 1K jetons
Entrée · Lecture du cache — / 1K jetons
Entrée · Écriture dans le cache — / 1K jetons
Entrée · Écriture dans le cache, 1 h — / 1K jetons
ConfigurationPalier 1 de longueur de requêteBarème tarifaire—Jetons de contexte, plus de0Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.0002 / 1K jetons
Sortie · Jetons en sortie $0.0003 / 1K jetons
Entrée · Lecture du cache — / 1K jetons
Entrée · Écriture dans le cache — / 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 →

Exemples de requêtes

Ailoot Ultra · Anthropic Messages

Corps JSON minimal completcurl · utilisez votre document UTF-8Python · enregistrez le résultat complet
{
  "model": "qwen/qwen3.5-9b",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'qwen/qwen3.5-9b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'qwen/qwen3.5-9b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Recevoir et enregistrer les résultats

Ailoot Ultra · Anthropic Messages

JSON ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.

Champs de la réponse
ChampType
ChampidTypestring
ChampmodelTypestring
Champcontent[]Typetext|thinking|tool_use|other content block
Champstop_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalidesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra qwen/qwen3.5-9b

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

qwen/qwen3.5-9b

FAQ · Qwen: Qwen3.5-9B
Quelles entrées et quels résultats sont disponibles ?

POST /v1/chat/completions · qwen/qwen3.5-9b: text → text

POST /v1/messages · qwen/qwen3.5-9b: text → json, sse

Quels champs la requête utilise-t-elle ?

POST /v1/chat/completions · qwen/qwen3.5-9b: model, messages, stream, modalities, provider

POST /v1/messages · qwen/qwen3.5-9b: model, messages, max_tokens, stream

Quelles limites s’appliquent ?

POST /v1/chat/completions · qwen/qwen3.5-9b: messages.min_items: 1

Plus de détails

Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application.

L’entreprise et son portefeuille de projets

L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois.

Achetez des tokens à prix réduit.

Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens.

Abonnement
Choisissez une offre à tarif réduit pour vos requêtes régulières.
Code promo jusqu’à 50%
Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours.
Dépenses dans l’historique
Modèle, tokens et montant sont enregistrés pour chaque requête.

Choisir un abonnement · Voir les prix des modèles

Connectez l’API au produit que vous vendez.

SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur.

Application commerciale
Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service.
Licence revendeur
Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente.
Documents sur le site
L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion.

Demander une licence revendeur · Offre officielle et contrat de licence