Points saillants de Qwen3.6 dans un modèle dense 27B
Qwen3.6-27B est un modèle dense de vision et de langage développé à partir de Qwen3.5-27B. Le fabricant souligne des agents de programmation et un raisonnement STEM améliorés, avec des progrès en compréhension spatiale, en localisation et détection d’objets, en OCR documentaire, en compréhension vidéo et en agents visuels. Il accepte le texte, les images et la vidéo et génère du texte. Cette édition dense précise se distingue du modèle à mélange d’experts Qwen3.6-35B-A3B, même s’ils partagent une génération et un champ de tâches.
Pour un schéma STEM, fournissez l’énoncé complet et préservez les libellés et les unités. Demandez au modèle de séparer les faits directement visibles des hypothèses, puis de retourner une explication avec une réponse finale claire. Pour un document, précisez les champs ou affirmations à extraire et demandez des références de pages à l’appui. Pour un agent de programmation, fournissez les modules pertinents, le comportement souhaité et la rétroaction réelle du processus connecté. Ces exemples appliquent les capacités documentées; ils ne constituent pas des affirmations d’extraction exacte ou d’exécution réussie.
Aperçu du modèle
Le modèle compte 27 milliards de paramètres et 64 couches de modèle de langage. Sa structure hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant plutôt que des experts clairsemés. Un encodeur visuel fournit la compréhension des images et de la vidéo, et la prédiction de plusieurs tokens fait partie de l’entraînement. Ces faits architecturaux identifient le point de contrôle sans classer la qualité ou le temps de réponse de toutes les applications.
Le contexte natif est de 262,144 tokens et peut être étendu à 1,010,000 par configuration. Qwen conseille de maintenir au moins un contexte de 128K lorsque possible pour les raisonnements complexes, tout en reconnaissant que la pression sur la mémoire peut exiger un réglage plus petit. Les images et vidéos représentées, le texte, les messages historiques, la réflexion et la réponse consomment tous de l’espace dans la séquence configurée.
Entrées et modes
Le fabricant montre des questions de texte, d’image et de vidéo. La réflexion est activée par défaut, avec un bloc de raisonnement avant la réponse finale. enable_thinking peut désactiver ce comportement pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes de consigne /think et /nothink. Gardez le résultat requis facile à repérer après l’explication, comme une valeur calculée, un tableau de champs extraits ou un correctif de code modifiable.
L’exemple vidéo utilise deux images par seconde par défaut dans son processus pris en charge. Pour les vidéos de l’ordre d’une heure, le fabricant recommande d’augmenter le budget du processeur pour permettre un échantillonnage à fréquence plus élevée, avec un exemple correspondant à environ 224K tokens vidéo. Plus de détails visuels exigent une plus grande part du budget de contexte et de traitement. Ces réglages n’établissent pas une durée vidéo inconditionnelle ni une exactitude précise des horodatages d’événements pour toutes les interfaces.
Réflexion historique
Le gabarit par défaut conserve la réflexion associée au dernier message utilisateur. L’option preserve_thinking peut aussi conserver le raisonnement des messages historiques; l’exemple explicite du fabricant l’active avec true. Cela peut soutenir le développement itératif lorsque les décisions antérieures restent pertinentes après une nouvelle rétroaction d’outils. Cela diffère du comportement de conservation par défaut documenté de Qwen3.8 et des recommandations de Qwen3.5 de garder uniquement la réponse finale dans l’historique. Suivez le format précis du point de contrôle plutôt que de substituer silencieusement les règles d’historique d’une autre génération.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Énoncez les actions permises et les critères observables d’achèvement. Un outil peut examiner les documents fournis ou retourner un résultat réel de vérification, après quoi le modèle peut réviser son analyse. Le modèle n’obtient pas d’accès à un système de fichiers, à des sources actuelles ou à un environnement d’exécution simplement grâce à sa spécialisation comme agent.
Entrées très longues
La recette d’extension utilise YaRN avec les réglages positionnels entrelacés de ce modèle. 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 réduire la performance sur les textes plus courts; elle doit donc suivre le besoin réel de long contexte. Identifiez les pages, les fonctions et les limites de documents, puis demandez des conclusions qui identifient les éléments à l’appui.
Recommandations de génération et limites
Les bonnes pratiques de la fiche recommandent temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0 pour la réflexion générale. Pour la programmation précise, la température devient 0.6. Pour les réponses directes, la température est de 0.7, top_p de 0.8 et la pénalité de présence de 1.5, les autres valeurs restant inchangées. Le fabricant avertit que des pénalités de présence plus élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Les allocations de génération recommandées sont de 32,768 tokens pour la plupart des questions et de 81,920 pour le travail mathématique ou de programmation particulièrement difficile. Ce ne sont pas des plafonds stricts établis séparément. Définissez un format de réponse finale et vérifiez le texte extrait, les conclusions spatiales, les calculs et le code proposé par rapport à la source. Un grand contexte et le raisonnement conservé aident à transporter les éléments tout au long de la tâche; le livrable révisable reste le résultat utile.
", "aboutText": "Points saillants de Qwen3.6 dans un modèle dense 27B\n\nQwen3.6-27B est un modèle dense de vision et de langage développé à partir de Qwen3.5-27B. Le fabricant souligne des agents de programmation et un raisonnement STEM améliorés, avec des progrès en compréhension spatiale, en localisation et détection d’objets, en OCR documentaire, en compréhension vidéo et en agents visuels. Il accepte le texte, les images et la vidéo et génère du texte. Cette édition dense précise se distingue du modèle à mélange d’experts Qwen3.6-35B-A3B, même s’ils partagent une génération et un champ de tâches.\n\nPour un schéma STEM, fournissez l’énoncé complet et préservez les libellés et les unités. Demandez au modèle de séparer les faits directement visibles des hypothèses, puis de retourner une explication avec une réponse finale claire. Pour un document, précisez les champs ou affirmations à extraire et demandez des références de pages à l’appui. Pour un agent de programmation, fournissez les modules pertinents, le comportement souhaité et la rétroaction réelle du processus connecté. Ces exemples appliquent les capacités documentées; ils ne constituent pas des affirmations d’extraction exacte ou d’exécution réussie.\n\nAperçu du modèle\n\nLe modèle compte 27 milliards de paramètres et 64 couches de modèle de langage. Sa structure hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant plutôt que des experts clairsemés. Un encodeur visuel fournit la compréhension des images et de la vidéo, et la prédiction de plusieurs tokens fait partie de l’entraînement. Ces faits architecturaux identifient le point de contrôle sans classer la qualité ou le temps de réponse de toutes les applications.\n\nLe contexte natif est de 262,144 tokens et peut être étendu à 1,010,000 par configuration. Qwen conseille de maintenir au moins un contexte de 128K lorsque possible pour les raisonnements complexes, tout en reconnaissant que la pression sur la mémoire peut exiger un réglage plus petit. Les images et vidéos représentées, le texte, les messages historiques, la réflexion et la réponse consomment tous de l’espace dans la séquence configurée.\n\nEntrées et modes\n\nLe fabricant montre des questions de texte, d’image et de vidéo. La réflexion est activée par défaut, avec un bloc de raisonnement avant la réponse finale. enable_thinking peut désactiver ce comportement pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes de consigne /think et /nothink. Gardez le résultat requis facile à repérer après l’explication, comme une valeur calculée, un tableau de champs extraits ou un correctif de code modifiable.\n\nL’exemple vidéo utilise deux images par seconde par défaut dans son processus pris en charge. Pour les vidéos de l’ordre d’une heure, le fabricant recommande d’augmenter le budget du processeur pour permettre un échantillonnage à fréquence plus élevée, avec un exemple correspondant à environ 224K tokens vidéo. Plus de détails visuels exigent une plus grande part du budget de contexte et de traitement. Ces réglages n’établissent pas une durée vidéo inconditionnelle ni une exactitude précise des horodatages d’événements pour toutes les interfaces.\n\nRéflexion historique\n\nLe gabarit par défaut conserve la réflexion associée au dernier message utilisateur. L’option preserve_thinking peut aussi conserver le raisonnement des messages historiques; l’exemple explicite du fabricant l’active avec true. Cela peut soutenir le développement itératif lorsque les décisions antérieures restent pertinentes après une nouvelle rétroaction d’outils. Cela diffère du comportement de conservation par défaut documenté de Qwen3.8 et des recommandations de Qwen3.5 de garder uniquement la réponse finale dans l’historique. Suivez le format précis du point de contrôle plutôt que de substituer silencieusement les règles d’historique d’une autre génération.\n\nUtilisation comme agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Énoncez les actions permises et les critères observables d’achèvement. Un outil peut examiner les documents fournis ou retourner un résultat réel de vérification, après quoi le modèle peut réviser son analyse. Le modèle n’obtient pas d’accès à un système de fichiers, à des sources actuelles ou à un environnement d’exécution simplement grâce à sa spécialisation comme agent.\n\nEntrées très longues\n\nLa recette d’extension utilise YaRN avec les réglages positionnels entrelacés de ce modèle. 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 réduire la performance sur les textes plus courts; elle doit donc suivre le besoin réel de long contexte. Identifiez les pages, les fonctions et les limites de documents, puis demandez des conclusions qui identifient les éléments à l’appui.\n\nRecommandations de génération et limites\n\nLes bonnes pratiques de la fiche recommandent temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0 pour la réflexion générale. Pour la programmation précise, la température devient 0.6. Pour les réponses directes, la température est de 0.7, top_p de 0.8 et la pénalité de présence de 1.5, les autres valeurs restant inchangées. Le fabricant avertit que des pénalités de présence plus élevées peuvent mélanger les langues ou réduire légèrement la qualité.\n\nLes allocations de génération recommandées sont de 32,768 tokens pour la plupart des questions et de 81,920 pour le travail mathématique ou de programmation particulièrement difficile. Ce ne sont pas des plafonds stricts établis séparément. Définissez un format de réponse finale et vérifiez le texte extrait, les conclusions spatiales, les calculs et le code proposé par rapport à la source. Un grand contexte et le raisonnement conservé aident à transporter les éléments tout au long de la tâche; le livrable révisable reste le résultat utile.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B est le modèle dense de vision et de langage de Qwen pour la programmation, le raisonnement STEM et l’analyse visuelle. Il accepte le texte, les images et la vidéo et retourne du texte, avec une réflexion sélectionnable, la conservation facultative du raisonnement historique 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 Qwen3.6 dans un modèle dense 27B
Qwen3.6-27B est un modèle dense de vision et de langage développé à partir de Qwen3.5-27B. Le fabricant souligne des agents de programmation et un raisonnement STEM améliorés, avec des progrès en compréhension spatiale, en localisation et détection d’objets, en OCR documentaire, en compréhension vidéo et en agents visuels. Il accepte le texte, les images et la vidéo et génère du texte. Cette édition dense précise se distingue du modèle à mélange d’experts Qwen3.6-35B-A3B, même s’ils partagent une génération et un champ de tâches.
Pour un schéma STEM, fournissez l’énoncé complet et préservez les libellés et les unités. Demandez au modèle de séparer les faits directement visibles des hypothèses, puis de retourner une explication avec une réponse finale claire. Pour un document, précisez les champs ou affirmations à extraire et demandez des références de pages à l’appui. Pour un agent de programmation, fournissez les modules pertinents, le comportement souhaité et la rétroaction réelle du processus connecté. Ces exemples appliquent les capacités documentées; ils ne constituent pas des affirmations d’extraction exacte ou d’exécution réussie.
Aperçu du modèle
Le modèle compte 27 milliards de paramètres et 64 couches de modèle de langage. Sa structure hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant plutôt que des experts clairsemés. Un encodeur visuel fournit la compréhension des images et de la vidéo, et la prédiction de plusieurs tokens fait partie de l’entraînement. Ces faits architecturaux identifient le point de contrôle sans classer la qualité ou le temps de réponse de toutes les applications.
Le contexte natif est de 262,144 tokens et peut être étendu à 1,010,000 par configuration. Qwen conseille de maintenir au moins un contexte de 128K lorsque possible pour les raisonnements complexes, tout en reconnaissant que la pression sur la mémoire peut exiger un réglage plus petit. Les images et vidéos représentées, le texte, les messages historiques, la réflexion et la réponse consomment tous de l’espace dans la séquence configurée.
Entrées et modes
Le fabricant montre des questions de texte, d’image et de vidéo. La réflexion est activée par défaut, avec un bloc de raisonnement avant la réponse finale. enable_thinking peut désactiver ce comportement pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes de consigne /think et /nothink. Gardez le résultat requis facile à repérer après l’explication, comme une valeur calculée, un tableau de champs extraits ou un correctif de code modifiable.
L’exemple vidéo utilise deux images par seconde par défaut dans son processus pris en charge. Pour les vidéos de l’ordre d’une heure, le fabricant recommande d’augmenter le budget du processeur pour permettre un échantillonnage à fréquence plus élevée, avec un exemple correspondant à environ 224K tokens vidéo. Plus de détails visuels exigent une plus grande part du budget de contexte et de traitement. Ces réglages n’établissent pas une durée vidéo inconditionnelle ni une exactitude précise des horodatages d’événements pour toutes les interfaces.
Réflexion historique
Le gabarit par défaut conserve la réflexion associée au dernier message utilisateur. L’option preserve_thinking peut aussi conserver le raisonnement des messages historiques; l’exemple explicite du fabricant l’active avec true. Cela peut soutenir le développement itératif lorsque les décisions antérieures restent pertinentes après une nouvelle rétroaction d’outils. Cela diffère du comportement de conservation par défaut documenté de Qwen3.8 et des recommandations de Qwen3.5 de garder uniquement la réponse finale dans l’historique. Suivez le format précis du point de contrôle plutôt que de substituer silencieusement les règles d’historique d’une autre génération.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Énoncez les actions permises et les critères observables d’achèvement. Un outil peut examiner les documents fournis ou retourner un résultat réel de vérification, après quoi le modèle peut réviser son analyse. Le modèle n’obtient pas d’accès à un système de fichiers, à des sources actuelles ou à un environnement d’exécution simplement grâce à sa spécialisation comme agent.
Entrées très longues
La recette d’extension utilise YaRN avec les réglages positionnels entrelacés de ce modèle. 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 réduire la performance sur les textes plus courts; elle doit donc suivre le besoin réel de long contexte. Identifiez les pages, les fonctions et les limites de documents, puis demandez des conclusions qui identifient les éléments à l’appui.
Recommandations de génération et limites
Les bonnes pratiques de la fiche recommandent temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0 pour la réflexion générale. Pour la programmation précise, la température devient 0.6. Pour les réponses directes, la température est de 0.7, top_p de 0.8 et la pénalité de présence de 1.5, les autres valeurs restant inchangées. Le fabricant avertit que des pénalités de présence plus élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Les allocations de génération recommandées sont de 32,768 tokens pour la plupart des questions et de 81,920 pour le travail mathématique ou de programmation particulièrement difficile. Ce ne sont pas des plafonds stricts établis séparément. Définissez un format de réponse finale et vérifiez le texte extrait, les conclusions spatiales, les calculs et le code proposé par rapport à la source. Un grand contexte et le raisonnement conservé aident à transporter les éléments tout au long de la tâche; le livrable révisable reste le résultat utile.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-27b | 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 $0.0009 / 1K jetons Sortie · Jetons en sortie $0.0054 / 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 $0.0009 / 1K jetons Sortie · Jetons en sortie $0.0054 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',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/qwen3.6-27b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.6-27bQwen3.6-27B est le modèle dense de vision et de langage de Qwen pour la programmation, le raisonnement STEM et l’analyse visuelle. Il accepte le texte, les images et la vidéo et retourne du texte, avec une réflexion sélectionnable, la conservation facultative du raisonnement historique 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 Qwen3.6 dans un modèle dense 27B
Qwen3.6-27B est un modèle dense de vision et de langage développé à partir de Qwen3.5-27B. Le fabricant souligne des agents de programmation et un raisonnement STEM améliorés, avec des progrès en compréhension spatiale, en localisation et détection d’objets, en OCR documentaire, en compréhension vidéo et en agents visuels. Il accepte le texte, les images et la vidéo et génère du texte. Cette édition dense précise se distingue du modèle à mélange d’experts Qwen3.6-35B-A3B, même s’ils partagent une génération et un champ de tâches.
Pour un schéma STEM, fournissez l’énoncé complet et préservez les libellés et les unités. Demandez au modèle de séparer les faits directement visibles des hypothèses, puis de retourner une explication avec une réponse finale claire. Pour un document, précisez les champs ou affirmations à extraire et demandez des références de pages à l’appui. Pour un agent de programmation, fournissez les modules pertinents, le comportement souhaité et la rétroaction réelle du processus connecté. Ces exemples appliquent les capacités documentées; ils ne constituent pas des affirmations d’extraction exacte ou d’exécution réussie.
Aperçu du modèle
Le modèle compte 27 milliards de paramètres et 64 couches de modèle de langage. Sa structure hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant plutôt que des experts clairsemés. Un encodeur visuel fournit la compréhension des images et de la vidéo, et la prédiction de plusieurs tokens fait partie de l’entraînement. Ces faits architecturaux identifient le point de contrôle sans classer la qualité ou le temps de réponse de toutes les applications.
Le contexte natif est de 262,144 tokens et peut être étendu à 1,010,000 par configuration. Qwen conseille de maintenir au moins un contexte de 128K lorsque possible pour les raisonnements complexes, tout en reconnaissant que la pression sur la mémoire peut exiger un réglage plus petit. Les images et vidéos représentées, le texte, les messages historiques, la réflexion et la réponse consomment tous de l’espace dans la séquence configurée.
Entrées et modes
Le fabricant montre des questions de texte, d’image et de vidéo. La réflexion est activée par défaut, avec un bloc de raisonnement avant la réponse finale. enable_thinking peut désactiver ce comportement pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes de consigne /think et /nothink. Gardez le résultat requis facile à repérer après l’explication, comme une valeur calculée, un tableau de champs extraits ou un correctif de code modifiable.
L’exemple vidéo utilise deux images par seconde par défaut dans son processus pris en charge. Pour les vidéos de l’ordre d’une heure, le fabricant recommande d’augmenter le budget du processeur pour permettre un échantillonnage à fréquence plus élevée, avec un exemple correspondant à environ 224K tokens vidéo. Plus de détails visuels exigent une plus grande part du budget de contexte et de traitement. Ces réglages n’établissent pas une durée vidéo inconditionnelle ni une exactitude précise des horodatages d’événements pour toutes les interfaces.
Réflexion historique
Le gabarit par défaut conserve la réflexion associée au dernier message utilisateur. L’option preserve_thinking peut aussi conserver le raisonnement des messages historiques; l’exemple explicite du fabricant l’active avec true. Cela peut soutenir le développement itératif lorsque les décisions antérieures restent pertinentes après une nouvelle rétroaction d’outils. Cela diffère du comportement de conservation par défaut documenté de Qwen3.8 et des recommandations de Qwen3.5 de garder uniquement la réponse finale dans l’historique. Suivez le format précis du point de contrôle plutôt que de substituer silencieusement les règles d’historique d’une autre génération.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Énoncez les actions permises et les critères observables d’achèvement. Un outil peut examiner les documents fournis ou retourner un résultat réel de vérification, après quoi le modèle peut réviser son analyse. Le modèle n’obtient pas d’accès à un système de fichiers, à des sources actuelles ou à un environnement d’exécution simplement grâce à sa spécialisation comme agent.
Entrées très longues
La recette d’extension utilise YaRN avec les réglages positionnels entrelacés de ce modèle. 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 réduire la performance sur les textes plus courts; elle doit donc suivre le besoin réel de long contexte. Identifiez les pages, les fonctions et les limites de documents, puis demandez des conclusions qui identifient les éléments à l’appui.
Recommandations de génération et limites
Les bonnes pratiques de la fiche recommandent temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0 pour la réflexion générale. Pour la programmation précise, la température devient 0.6. Pour les réponses directes, la température est de 0.7, top_p de 0.8 et la pénalité de présence de 1.5, les autres valeurs restant inchangées. Le fabricant avertit que des pénalités de présence plus élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Les allocations de génération recommandées sont de 32,768 tokens pour la plupart des questions et de 81,920 pour le travail mathématique ou de programmation particulièrement difficile. Ce ne sont pas des plafonds stricts établis séparément. Définissez un format de réponse finale et vérifiez le texte extrait, les conclusions spatiales, les calculs et le code proposé par rapport à la source. Un grand contexte et le raisonnement conservé aident à transporter les éléments tout au long de la tâche; le livrable révisable reste le résultat utile.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-27b | 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 $0.0009 / 1K jetons Sortie · Jetons en sortie $0.0054 / 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 $0.0009 / 1K jetons Sortie · Jetons en sortie $0.0054 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', '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/qwen3.6-27b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.