Points saillants de Qwen3.6 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle de vision et de langage axé sur le travail utile de programmation et d’agent. Qwen souligne des processus de développement d’interfaces et un raisonnement à l’échelle du dépôt améliorés, ainsi qu’une nouvelle option de conservation de la réflexion des messages historiques. Il accepte le texte, les images et la vidéo et retourne du texte : une explication, une proposition de code, une analyse structurée ou un autre livrable textuel demandé. Préservez cette édition précise 35B-A3B plutôt que de la traiter comme le modèle dense Qwen3.6-27B ou son prédécesseur Qwen3.5.
Pour une tâche d’interface, fournissez la capture d’écran pertinente, les exigences fonctionnelles et le contexte de code existant. Demandez du code source modifiable et une description des états et interactions visés. Pour une tâche sur un dépôt, identifiez la fonctionnalité touchée, l’entrée exposant un problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et les vérifications pertinentes.
Aperçu du modèle
Le modèle à mélange d’experts compte 35 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Il comporte 256 experts routés et sélectionne huit experts routés avec un expert partagé; la prédiction de plusieurs tokens fait partie de l’entraînement. Le nombre activé plus petit ne décrit pas la taille complète du point de contrôle. Un encodeur visuel fournit la partie visuelle du modèle.
Le contexte natif est de 262,144 tokens, avec une extension conditionnelle à 1,010,000. Le fabricant recommande de conserver un contexte d’au moins 128K lorsque possible pour les tâches de réflexion complexes, même si le réduire diminuerait la pression sur la mémoire. Le texte source, les représentations visuelles, les messages historiques, le raisonnement et la réponse finale partagent l’allocation de séquence configurée.
Utiliser les entrées et les modes de réponse
La fiche montre des questions de texte, d’image et de vidéo. Pour un schéma ou une page, préservez les libellés et définissez la question précise. Pour un extrait, gardez le minutage et précisez l’événement d’intérêt. L’exemple vidéo pris en charge par le fabricant utilise deux images par seconde par défaut et permet de configurer l’échantillonnage. La recette des bonnes pratiques augmente le budget du processeur vidéo à environ 224K tokens vidéo pour une analyse à fréquence plus élevée sur des durées de l’ordre d’une heure; c’est un exemple de configuration plutôt qu’une limite universelle stricte de durée d’extrait.
La réflexion est activée par défaut. Le réglage enable_thinking du fabricant peut la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes souples Qwen3 /think et /nothink. Séparez le raisonnement du livrable final dans la présentation du résultat et suivez la propre interface de ce point de contrôle plutôt que de supposer que les balises de consignes ou les réglages d’une autre génération s’appliquent.
Conserver la réflexion historique
Par défaut, le gabarit conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a aussi été entraîné pour utiliser le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option à true. Cela peut aider une tâche d’agent itérative à conserver le contexte décisionnel plutôt qu’à redéduire sans cesse les choix antérieurs; cela modifie aussi la quantité d’historique transportée par la requête. La disponibilité de l’option dépend de l’interface exposant la recette du fabricant.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour configurer les outils, notamment ceux connectés par MCP. Qwen Code est un autre processus d’agent de programmation documenté par le fabricant. Définissez les outils permis, l’objectif de la tâche et le livrable attendu, puis retournez les observations réelles des outils au modèle. Le modèle peut raisonner sur un résultat et réviser un plan; l’accès aux fichiers ou aux environnements d’exécution vient de l’application connectée, et non du nom du modèle.
Textes très longs
L’extension de contexte documentée utilise YaRN avec les réglages positionnels entrelacés du point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; pour des charges de 524,288 tokens, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; le fabricant recommande donc de la modifier lorsque le contexte plus long est nécessaire. Conservez les identifiants de sections et de code dans une grande entrée et demandez au résultat de montrer quels éléments appuient chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le fabricant recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. Pour la programmation précise, la température devient 0.6 et la pénalité de présence zéro. Pour les réponses directes, il recommande temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5, les autres valeurs restant inchangées. Des pénalités de présence plus élevées peuvent réduire la répétition, mais peuvent mélanger les langues ou réduire légèrement la qualité.
Qwen recommande une allocation de génération de 32,768 tokens pour la plupart des questions et de 81,920 pour les tâches mathématiques ou de programmation particulièrement complexes. Ce sont des recommandations, et non des plafonds stricts de sortie établis séparément. Énoncez explicitement le format final et vérifiez le code, les calculs et les détails visuels extraits par rapport à la source. La continuité du raisonnement et le long contexte aident à transporter les éléments de la tâche, tandis qu’un livrable final vérifiable rend le résultat utile.
", "aboutText": "Points saillants de Qwen3.6 : programmation et continuité du raisonnement\n\nQwen3.6-35B-A3B est un modèle de vision et de langage axé sur le travail utile de programmation et d’agent. Qwen souligne des processus de développement d’interfaces et un raisonnement à l’échelle du dépôt améliorés, ainsi qu’une nouvelle option de conservation de la réflexion des messages historiques. Il accepte le texte, les images et la vidéo et retourne du texte : une explication, une proposition de code, une analyse structurée ou un autre livrable textuel demandé. Préservez cette édition précise 35B-A3B plutôt que de la traiter comme le modèle dense Qwen3.6-27B ou son prédécesseur Qwen3.5.\n\nPour une tâche d’interface, fournissez la capture d’écran pertinente, les exigences fonctionnelles et le contexte de code existant. Demandez du code source modifiable et une description des états et interactions visés. Pour une tâche sur un dépôt, identifiez la fonctionnalité touchée, l’entrée exposant un problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et les vérifications pertinentes.\n\nAperçu du modèle\n\nLe modèle à mélange d’experts compte 35 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Il comporte 256 experts routés et sélectionne huit experts routés avec un expert partagé; la prédiction de plusieurs tokens fait partie de l’entraînement. Le nombre activé plus petit ne décrit pas la taille complète du point de contrôle. Un encodeur visuel fournit la partie visuelle du modèle.\n\nLe contexte natif est de 262,144 tokens, avec une extension conditionnelle à 1,010,000. Le fabricant recommande de conserver un contexte d’au moins 128K lorsque possible pour les tâches de réflexion complexes, même si le réduire diminuerait la pression sur la mémoire. Le texte source, les représentations visuelles, les messages historiques, le raisonnement et la réponse finale partagent l’allocation de séquence configurée.\n\nUtiliser les entrées et les modes de réponse\n\nLa fiche montre des questions de texte, d’image et de vidéo. Pour un schéma ou une page, préservez les libellés et définissez la question précise. Pour un extrait, gardez le minutage et précisez l’événement d’intérêt. L’exemple vidéo pris en charge par le fabricant utilise deux images par seconde par défaut et permet de configurer l’échantillonnage. La recette des bonnes pratiques augmente le budget du processeur vidéo à environ 224K tokens vidéo pour une analyse à fréquence plus élevée sur des durées de l’ordre d’une heure; c’est un exemple de configuration plutôt qu’une limite universelle stricte de durée d’extrait.\n\nLa réflexion est activée par défaut. Le réglage enable_thinking du fabricant peut la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes souples Qwen3 /think et /nothink. Séparez le raisonnement du livrable final dans la présentation du résultat et suivez la propre interface de ce point de contrôle plutôt que de supposer que les balises de consignes ou les réglages d’une autre génération s’appliquent.\n\nConserver la réflexion historique\n\nPar défaut, le gabarit conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a aussi été entraîné pour utiliser le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option à true. Cela peut aider une tâche d’agent itérative à conserver le contexte décisionnel plutôt qu’à redéduire sans cesse les choix antérieurs; cela modifie aussi la quantité d’historique transportée par la requête. La disponibilité de l’option dépend de l’interface exposant la recette du fabricant.\n\nUtilisation comme agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent pour configurer les outils, notamment ceux connectés par MCP. Qwen Code est un autre processus d’agent de programmation documenté par le fabricant. Définissez les outils permis, l’objectif de la tâche et le livrable attendu, puis retournez les observations réelles des outils au modèle. Le modèle peut raisonner sur un résultat et réviser un plan; l’accès aux fichiers ou aux environnements d’exécution vient de l’application connectée, et non du nom du modèle.\n\nTextes très longs\n\nL’extension de contexte documentée utilise YaRN avec les réglages positionnels entrelacés du point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; pour des charges de 524,288 tokens, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; le fabricant recommande donc de la modifier lorsque le contexte plus long est nécessaire. Conservez les identifiants de sections et de code dans une grande entrée et demandez au résultat de montrer quels éléments appuient chaque conclusion.\n\nRecommandations de génération et limites\n\nPour la réflexion générale, le fabricant recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. Pour la programmation précise, la température devient 0.6 et la pénalité de présence zéro. Pour les réponses directes, il recommande temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5, les autres valeurs restant inchangées. Des pénalités de présence plus élevées peuvent réduire la répétition, mais peuvent mélanger les langues ou réduire légèrement la qualité.\n\nQwen recommande une allocation de génération de 32,768 tokens pour la plupart des questions et de 81,920 pour les tâches mathématiques ou de programmation particulièrement complexes. Ce sont des recommandations, et non des plafonds stricts de sortie établis séparément. Énoncez explicitement le format final et vérifiez le code, les calculs et les détails visuels extraits par rapport à la source. La continuité du raisonnement et le long contexte aident à transporter les éléments de la tâche, tandis qu’un livrable final vérifiable rend le résultat utile.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B est le modèle de vision et de langage de Qwen à mélange d’experts, avec 35 milliards de paramètres au total et 3 milliards activés. Il se concentre sur la programmation d’interfaces et à l’échelle du dépôt, ajoute la conservation facultative du raisonnement historique et accepte le texte, les images et la vidéo avec une sortie textuelle.
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 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle de vision et de langage axé sur le travail utile de programmation et d’agent. Qwen souligne des processus de développement d’interfaces et un raisonnement à l’échelle du dépôt améliorés, ainsi qu’une nouvelle option de conservation de la réflexion des messages historiques. Il accepte le texte, les images et la vidéo et retourne du texte : une explication, une proposition de code, une analyse structurée ou un autre livrable textuel demandé. Préservez cette édition précise 35B-A3B plutôt que de la traiter comme le modèle dense Qwen3.6-27B ou son prédécesseur Qwen3.5.
Pour une tâche d’interface, fournissez la capture d’écran pertinente, les exigences fonctionnelles et le contexte de code existant. Demandez du code source modifiable et une description des états et interactions visés. Pour une tâche sur un dépôt, identifiez la fonctionnalité touchée, l’entrée exposant un problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et les vérifications pertinentes.
Aperçu du modèle
Le modèle à mélange d’experts compte 35 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Il comporte 256 experts routés et sélectionne huit experts routés avec un expert partagé; la prédiction de plusieurs tokens fait partie de l’entraînement. Le nombre activé plus petit ne décrit pas la taille complète du point de contrôle. Un encodeur visuel fournit la partie visuelle du modèle.
Le contexte natif est de 262,144 tokens, avec une extension conditionnelle à 1,010,000. Le fabricant recommande de conserver un contexte d’au moins 128K lorsque possible pour les tâches de réflexion complexes, même si le réduire diminuerait la pression sur la mémoire. Le texte source, les représentations visuelles, les messages historiques, le raisonnement et la réponse finale partagent l’allocation de séquence configurée.
Utiliser les entrées et les modes de réponse
La fiche montre des questions de texte, d’image et de vidéo. Pour un schéma ou une page, préservez les libellés et définissez la question précise. Pour un extrait, gardez le minutage et précisez l’événement d’intérêt. L’exemple vidéo pris en charge par le fabricant utilise deux images par seconde par défaut et permet de configurer l’échantillonnage. La recette des bonnes pratiques augmente le budget du processeur vidéo à environ 224K tokens vidéo pour une analyse à fréquence plus élevée sur des durées de l’ordre d’une heure; c’est un exemple de configuration plutôt qu’une limite universelle stricte de durée d’extrait.
La réflexion est activée par défaut. Le réglage enable_thinking du fabricant peut la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes souples Qwen3 /think et /nothink. Séparez le raisonnement du livrable final dans la présentation du résultat et suivez la propre interface de ce point de contrôle plutôt que de supposer que les balises de consignes ou les réglages d’une autre génération s’appliquent.
Conserver la réflexion historique
Par défaut, le gabarit conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a aussi été entraîné pour utiliser le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option à true. Cela peut aider une tâche d’agent itérative à conserver le contexte décisionnel plutôt qu’à redéduire sans cesse les choix antérieurs; cela modifie aussi la quantité d’historique transportée par la requête. La disponibilité de l’option dépend de l’interface exposant la recette du fabricant.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour configurer les outils, notamment ceux connectés par MCP. Qwen Code est un autre processus d’agent de programmation documenté par le fabricant. Définissez les outils permis, l’objectif de la tâche et le livrable attendu, puis retournez les observations réelles des outils au modèle. Le modèle peut raisonner sur un résultat et réviser un plan; l’accès aux fichiers ou aux environnements d’exécution vient de l’application connectée, et non du nom du modèle.
Textes très longs
L’extension de contexte documentée utilise YaRN avec les réglages positionnels entrelacés du point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; pour des charges de 524,288 tokens, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; le fabricant recommande donc de la modifier lorsque le contexte plus long est nécessaire. Conservez les identifiants de sections et de code dans une grande entrée et demandez au résultat de montrer quels éléments appuient chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le fabricant recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. Pour la programmation précise, la température devient 0.6 et la pénalité de présence zéro. Pour les réponses directes, il recommande temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5, les autres valeurs restant inchangées. Des pénalités de présence plus élevées peuvent réduire la répétition, mais peuvent mélanger les langues ou réduire légèrement la qualité.
Qwen recommande une allocation de génération de 32,768 tokens pour la plupart des questions et de 81,920 pour les tâches mathématiques ou de programmation particulièrement complexes. Ce sont des recommandations, et non des plafonds stricts de sortie établis séparément. Énoncez explicitement le format final et vérifiez le code, les calculs et les détails visuels extraits par rapport à la source. La continuité du raisonnement et le long contexte aident à transporter les éléments de la tâche, tandis qu’un livrable final vérifiable rend le résultat utile.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K jetons Sortie · Jetons en sortie $0.00341 / 1K jetons Entrée · Lecture du cache $0.0001 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.000566 / 1K jetons Sortie · Jetons en sortie $0.00341 / 1K jetons Entrée · Lecture du cache $0.0001 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-35b-a3b", "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/qwen3.6-35b-a3b',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/qwen3.6-35b-a3b',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/qwen3.6-35b-a3b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B est le modèle de vision et de langage de Qwen à mélange d’experts, avec 35 milliards de paramètres au total et 3 milliards activés. Il se concentre sur la programmation d’interfaces et à l’échelle du dépôt, ajoute la conservation facultative du raisonnement historique et accepte le texte, les images et la vidéo avec une sortie textuelle.
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 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle de vision et de langage axé sur le travail utile de programmation et d’agent. Qwen souligne des processus de développement d’interfaces et un raisonnement à l’échelle du dépôt améliorés, ainsi qu’une nouvelle option de conservation de la réflexion des messages historiques. Il accepte le texte, les images et la vidéo et retourne du texte : une explication, une proposition de code, une analyse structurée ou un autre livrable textuel demandé. Préservez cette édition précise 35B-A3B plutôt que de la traiter comme le modèle dense Qwen3.6-27B ou son prédécesseur Qwen3.5.
Pour une tâche d’interface, fournissez la capture d’écran pertinente, les exigences fonctionnelles et le contexte de code existant. Demandez du code source modifiable et une description des états et interactions visés. Pour une tâche sur un dépôt, identifiez la fonctionnalité touchée, l’entrée exposant un problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et les vérifications pertinentes.
Aperçu du modèle
Le modèle à mélange d’experts compte 35 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Il comporte 256 experts routés et sélectionne huit experts routés avec un expert partagé; la prédiction de plusieurs tokens fait partie de l’entraînement. Le nombre activé plus petit ne décrit pas la taille complète du point de contrôle. Un encodeur visuel fournit la partie visuelle du modèle.
Le contexte natif est de 262,144 tokens, avec une extension conditionnelle à 1,010,000. Le fabricant recommande de conserver un contexte d’au moins 128K lorsque possible pour les tâches de réflexion complexes, même si le réduire diminuerait la pression sur la mémoire. Le texte source, les représentations visuelles, les messages historiques, le raisonnement et la réponse finale partagent l’allocation de séquence configurée.
Utiliser les entrées et les modes de réponse
La fiche montre des questions de texte, d’image et de vidéo. Pour un schéma ou une page, préservez les libellés et définissez la question précise. Pour un extrait, gardez le minutage et précisez l’événement d’intérêt. L’exemple vidéo pris en charge par le fabricant utilise deux images par seconde par défaut et permet de configurer l’échantillonnage. La recette des bonnes pratiques augmente le budget du processeur vidéo à environ 224K tokens vidéo pour une analyse à fréquence plus élevée sur des durées de l’ordre d’une heure; c’est un exemple de configuration plutôt qu’une limite universelle stricte de durée d’extrait.
La réflexion est activée par défaut. Le réglage enable_thinking du fabricant peut la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes souples Qwen3 /think et /nothink. Séparez le raisonnement du livrable final dans la présentation du résultat et suivez la propre interface de ce point de contrôle plutôt que de supposer que les balises de consignes ou les réglages d’une autre génération s’appliquent.
Conserver la réflexion historique
Par défaut, le gabarit conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a aussi été entraîné pour utiliser le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option à true. Cela peut aider une tâche d’agent itérative à conserver le contexte décisionnel plutôt qu’à redéduire sans cesse les choix antérieurs; cela modifie aussi la quantité d’historique transportée par la requête. La disponibilité de l’option dépend de l’interface exposant la recette du fabricant.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour configurer les outils, notamment ceux connectés par MCP. Qwen Code est un autre processus d’agent de programmation documenté par le fabricant. Définissez les outils permis, l’objectif de la tâche et le livrable attendu, puis retournez les observations réelles des outils au modèle. Le modèle peut raisonner sur un résultat et réviser un plan; l’accès aux fichiers ou aux environnements d’exécution vient de l’application connectée, et non du nom du modèle.
Textes très longs
L’extension de contexte documentée utilise YaRN avec les réglages positionnels entrelacés du point de contrôle. Un facteur de quatre vise le processus d’environ un million de tokens; pour des charges de 524,288 tokens, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter la performance sur les textes plus courts; le fabricant recommande donc de la modifier lorsque le contexte plus long est nécessaire. Conservez les identifiants de sections et de code dans une grande entrée et demandez au résultat de montrer quels éléments appuient chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le fabricant recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. Pour la programmation précise, la température devient 0.6 et la pénalité de présence zéro. Pour les réponses directes, il recommande temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5, les autres valeurs restant inchangées. Des pénalités de présence plus élevées peuvent réduire la répétition, mais peuvent mélanger les langues ou réduire légèrement la qualité.
Qwen recommande une allocation de génération de 32,768 tokens pour la plupart des questions et de 81,920 pour les tâches mathématiques ou de programmation particulièrement complexes. Ce sont des recommandations, et non des plafonds stricts de sortie établis séparément. Énoncez explicitement le format final et vérifiez le code, les calculs et les détails visuels extraits par rapport à la source. La continuité du raisonnement et le long contexte aident à transporter les éléments de la tâche, tandis qu’un livrable final vérifiable rend le résultat utile.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K jetons Sortie · Jetons en sortie $0.00341 / 1K jetons Entrée · Lecture du cache $0.0001 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.000566 / 1K jetons Sortie · Jetons en sortie $0.00341 / 1K jetons Entrée · Lecture du cache $0.0001 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.6-35b-a3b', '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/qwen3.6-35b-a3b', '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/qwen3.6-35b-a3b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.