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.
", "aboutText": "Points saillants de Qwen3.5 dans l’édition dense 9B\n\nQwen3.5-9B 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.\n\nPour 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.\n\nAperçu du modèle\n\nCe 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.\n\nLe 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.\n\nEntrées et modes de réponse\n\nLe 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.\n\nLa 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.\n\nUtilisation comme agent\n\nQwen 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.\n\nTextes très longs\n\nL’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.\n\nRecommandations de génération\n\nLes 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.\n\nQwen 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.\n\nDétails vidéo et limites de fond\n\nL’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.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Implement a small text normaliser\n\nWrite 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.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B 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.
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.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-9b | 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 $0.0002 / 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 requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.5-9bQwen3.5-9B 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.
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.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-9b | 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 $0.0002 / 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 requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Implement a small text normaliser\n\nWrite 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.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.