Points forts de Qwen3.5 : le modèle à experts 122B-A10B
Qwen3.5-122B-A10B est un modèle de langage visuel après post-entraînement pour les tâches conjointes textuelles et visuelles. Il accepte le texte, les images et la vidéo et renvoie du texte, notamment des explications, des propositions de code et des artefacts documentaires demandés. La famille est construite par fusion précoce texte–vision et apprentissage par renforcement sur des tâches progressivement complexes, développant le raisonnement, la programmation, les agents et la compréhension visuelle. Elle décrit une couverture de 201 langues et dialectes sans impliquer une fiabilité identique pour chaque langue ou domaine.
Une tâche utile peut combiner une spécification technique, des schémas et du code pertinent, en demandant au modèle d’expliquer les composants et de renvoyer une proposition d’implémentation. Une tâche d’analyse documentaire peut demander une comparaison avec des références de sections ou pages à l’appui.
Vue d’ensemble du modèle
Le checkpoint à mélange parcimonieux d’experts compte 122 milliards de paramètres au total et en active dix milliards. Il possède 48 couches de modèle de langage, avec des groupes de trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur annonce 256 experts routés, sélectionnant huit experts routés avec un expert partagé. Un encodeur visuel et la prédiction multi-token font partie du modèle. Les nombres totaux et activés ont des sens différents ; le chiffre activé n’est pas la taille complète du checkpoint.
Cette édition est distincte de Qwen3.5-27B dense, de Qwen3.5-35B-A3B parcimonieux et des générations ultérieures. Ne déduisez pas un classement général de performances ou de latence de la taille seule. Le contexte natif est de 262,144 tokens et l’extension documentée atteint 1,010,000 par configuration. Qwen conseille de conserver si possible au moins 128K de contexte pour la réflexion complexe, tout en reconnaissant que la pression mémoire peut nécessiter une fenêtre plus petite.
Préparer les éléments textuels et visuels conjoints
Préservez les libellés des schémas, les axes des graphiques, les en-têtes des tableaux et les unités. Indiquez si le résultat doit expliquer une relation, extraire des champs nommés ou proposer du code. Lorsque plusieurs sources comptent, étiquetez-les et demandez une sortie organisée selon les mêmes identifiants. Séparez les faits visibles des hypothèses pour permettre à une personne de relier le raisonnement aux contenus fournis.
Pour une demande de programmation, identifiez le comportement visé, la source pertinente et une entrée démontrant le problème. Demandez un correctif modifiable avec une explication des conditions concernées et des vérifications. Pour la vidéo, préservez la séquence des événements et le minutage et précisez la question plutôt que de demander un résumé indifférencié. Le résultat textuel du modèle est un artefact à l’état de brouillon, à examiner ; la capacité d’entrée visuelle ne signifie pas génération d’images, de vidéos ou de parole.
Réflexion et historique
La réflexion est activée par défaut, avec le raisonnement avant la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour les réponses directes. Les anciennes commandes textuelles /think et /nothink dans le prompt ne sont pas officiellement pris en charge. Qwen3.5 recommande de conserver les réponses finales sans contenu de réflexion dans les messages précédents de l’assistant. Cela ne doit pas être remplacé par les options de conservation du raisonnement antérieur des générations Qwen ultérieures au seul motif du nom de famille commun.
Rendez le résultat final facile à repérer, comme un champ de réponse défini, une valeur délimitée ou un artefact de code séparé. Une réponse directe nécessite toujours une vérification, tandis qu’un raisonnement plus long n’est utile que si ses étapes étayent une conclusion vérifiable.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés via MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Définissez les actions autorisées, les éléments disponibles et les critères d’achèvement. Les outils connectés exécutent les opérations et renvoient les résultats ; le modèle utilise ces retours dans son analyse. Une commande, une requête de récupération ou un correctif proposé doit rester distinct d’une action réellement accomplie par l’application.
Contexte ultra-long et vidéo
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre cible le flux d’environ un million de tokens, et deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre un besoin réel de contexte plus grand. L’entrée, les représentations visuelles, l’historique, le raisonnement et la réponse finale utilisent tous le budget de séquence configuré.
L’exemple vidéo pris en charge utilise par défaut deux images par seconde. Pour des contenus de l’ordre d’une heure, le concepteur recommande d’augmenter le budget du processeur à environ 224K tokens vidéo pour un échantillonnage plus fréquent. C’est une recette dépendant de la configuration, et non une garantie universelle de durée de média, de rappel complet ou de précision des horodatages.
Conseils de génération et limites substantielles
Les bonnes pratiques recommandent 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 réflexion générale. La programmation précise utilise temperature 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5 ; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Le raisonnement à réponse directe possède un préréglage séparé : temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Des pénalités de présence plus fortes peuvent mélanger les langues ou légèrement réduire la qualité.
Les capacités de génération recommandées sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes ; ce ne sont pas des plafonds stricts de sortie établis séparément. Définissez le format demandé, conservez les identifiants des sources et vérifiez les calculs, les valeurs extraites et le code proposé par rapport aux éléments d’origine. Le résultat utile est un artefact textuel complet dont les hypothèses et les contenus à l’appui restent visibles.
", "aboutText": "Points forts de Qwen3.5 : le modèle à experts 122B-A10B\n\nQwen3.5-122B-A10B est un modèle de langage visuel après post-entraînement pour les tâches conjointes textuelles et visuelles. Il accepte le texte, les images et la vidéo et renvoie du texte, notamment des explications, des propositions de code et des artefacts documentaires demandés. La famille est construite par fusion précoce texte–vision et apprentissage par renforcement sur des tâches progressivement complexes, développant le raisonnement, la programmation, les agents et la compréhension visuelle. Elle décrit une couverture de 201 langues et dialectes sans impliquer une fiabilité identique pour chaque langue ou domaine.\n\nUne tâche utile peut combiner une spécification technique, des schémas et du code pertinent, en demandant au modèle d’expliquer les composants et de renvoyer une proposition d’implémentation. Une tâche d’analyse documentaire peut demander une comparaison avec des références de sections ou pages à l’appui.\n\nVue d’ensemble du modèle\n\nLe checkpoint à mélange parcimonieux d’experts compte 122 milliards de paramètres au total et en active dix milliards. Il possède 48 couches de modèle de langage, avec des groupes de trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur annonce 256 experts routés, sélectionnant huit experts routés avec un expert partagé. Un encodeur visuel et la prédiction multi-token font partie du modèle. Les nombres totaux et activés ont des sens différents ; le chiffre activé n’est pas la taille complète du checkpoint.\n\nCette édition est distincte de Qwen3.5-27B dense, de Qwen3.5-35B-A3B parcimonieux et des générations ultérieures. Ne déduisez pas un classement général de performances ou de latence de la taille seule. Le contexte natif est de 262,144 tokens et l’extension documentée atteint 1,010,000 par configuration. Qwen conseille de conserver si possible au moins 128K de contexte pour la réflexion complexe, tout en reconnaissant que la pression mémoire peut nécessiter une fenêtre plus petite.\n\nPréparer les éléments textuels et visuels conjoints\n\nPréservez les libellés des schémas, les axes des graphiques, les en-têtes des tableaux et les unités. Indiquez si le résultat doit expliquer une relation, extraire des champs nommés ou proposer du code. Lorsque plusieurs sources comptent, étiquetez-les et demandez une sortie organisée selon les mêmes identifiants. Séparez les faits visibles des hypothèses pour permettre à une personne de relier le raisonnement aux contenus fournis.\n\nPour une demande de programmation, identifiez le comportement visé, la source pertinente et une entrée démontrant le problème. Demandez un correctif modifiable avec une explication des conditions concernées et des vérifications. Pour la vidéo, préservez la séquence des événements et le minutage et précisez la question plutôt que de demander un résumé indifférencié. Le résultat textuel du modèle est un artefact à l’état de brouillon, à examiner ; la capacité d’entrée visuelle ne signifie pas génération d’images, de vidéos ou de parole.\n\nRéflexion et historique\n\nLa réflexion est activée par défaut, avec le raisonnement avant la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour les réponses directes. Les anciennes commandes textuelles /think et /nothink dans le prompt ne sont pas officiellement pris en charge. Qwen3.5 recommande de conserver les réponses finales sans contenu de réflexion dans les messages précédents de l’assistant. Cela ne doit pas être remplacé par les options de conservation du raisonnement antérieur des générations Qwen ultérieures au seul motif du nom de famille commun.\n\nRendez le résultat final facile à repérer, comme un champ de réponse défini, une valeur délimitée ou un artefact de code séparé. Une réponse directe nécessite toujours une vérification, tandis qu’un raisonnement plus long n’est utile que si ses étapes étayent une conclusion vérifiable.\n\nUtilisation comme agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés via MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Définissez les actions autorisées, les éléments disponibles et les critères d’achèvement. Les outils connectés exécutent les opérations et renvoient les résultats ; le modèle utilise ces retours dans son analyse. Une commande, une requête de récupération ou un correctif proposé doit rester distinct d’une action réellement accomplie par l’application.\n\nContexte ultra-long et vidéo\n\nL’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre cible le flux d’environ un million de tokens, et deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre un besoin réel de contexte plus grand. L’entrée, les représentations visuelles, l’historique, le raisonnement et la réponse finale utilisent tous le budget de séquence configuré.\n\nL’exemple vidéo pris en charge utilise par défaut deux images par seconde. Pour des contenus de l’ordre d’une heure, le concepteur recommande d’augmenter le budget du processeur à environ 224K tokens vidéo pour un échantillonnage plus fréquent. C’est une recette dépendant de la configuration, et non une garantie universelle de durée de média, de rappel complet ou de précision des horodatages.\n\nConseils de génération et limites substantielles\n\nLes bonnes pratiques recommandent 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 réflexion générale. La programmation précise utilise temperature 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5 ; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Le raisonnement à réponse directe possède un préréglage séparé : temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Des pénalités de présence plus fortes peuvent mélanger les langues ou légèrement réduire la qualité.\n\nLes capacités de génération recommandées sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes ; ce ne sont pas des plafonds stricts de sortie établis séparément. Définissez le format demandé, conservez les identifiants des sources et vérifiez les calculs, les valeurs extraites et le code proposé par rapport aux éléments d’origine. Le résultat utile est un artefact textuel complet dont les hypothèses et les contenus à l’appui restent visibles.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B est le modèle de langage visuel à mélange d’experts de Qwen, avec 122 milliards de paramètres au total et 10 milliards activés. Il reçoit du texte, des images et de la vidéo pour le raisonnement, la programmation et les tâches d’agent, renvoyant du texte avec une réflexion sélectionnable et un contexte natif de 262,144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts de Qwen3.5 : le modèle à experts 122B-A10B
Qwen3.5-122B-A10B est un modèle de langage visuel après post-entraînement pour les tâches conjointes textuelles et visuelles. Il accepte le texte, les images et la vidéo et renvoie du texte, notamment des explications, des propositions de code et des artefacts documentaires demandés. La famille est construite par fusion précoce texte–vision et apprentissage par renforcement sur des tâches progressivement complexes, développant le raisonnement, la programmation, les agents et la compréhension visuelle. Elle décrit une couverture de 201 langues et dialectes sans impliquer une fiabilité identique pour chaque langue ou domaine.
Une tâche utile peut combiner une spécification technique, des schémas et du code pertinent, en demandant au modèle d’expliquer les composants et de renvoyer une proposition d’implémentation. Une tâche d’analyse documentaire peut demander une comparaison avec des références de sections ou pages à l’appui.
Vue d’ensemble du modèle
Le checkpoint à mélange parcimonieux d’experts compte 122 milliards de paramètres au total et en active dix milliards. Il possède 48 couches de modèle de langage, avec des groupes de trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur annonce 256 experts routés, sélectionnant huit experts routés avec un expert partagé. Un encodeur visuel et la prédiction multi-token font partie du modèle. Les nombres totaux et activés ont des sens différents ; le chiffre activé n’est pas la taille complète du checkpoint.
Cette édition est distincte de Qwen3.5-27B dense, de Qwen3.5-35B-A3B parcimonieux et des générations ultérieures. Ne déduisez pas un classement général de performances ou de latence de la taille seule. Le contexte natif est de 262,144 tokens et l’extension documentée atteint 1,010,000 par configuration. Qwen conseille de conserver si possible au moins 128K de contexte pour la réflexion complexe, tout en reconnaissant que la pression mémoire peut nécessiter une fenêtre plus petite.
Préparer les éléments textuels et visuels conjoints
Préservez les libellés des schémas, les axes des graphiques, les en-têtes des tableaux et les unités. Indiquez si le résultat doit expliquer une relation, extraire des champs nommés ou proposer du code. Lorsque plusieurs sources comptent, étiquetez-les et demandez une sortie organisée selon les mêmes identifiants. Séparez les faits visibles des hypothèses pour permettre à une personne de relier le raisonnement aux contenus fournis.
Pour une demande de programmation, identifiez le comportement visé, la source pertinente et une entrée démontrant le problème. Demandez un correctif modifiable avec une explication des conditions concernées et des vérifications. Pour la vidéo, préservez la séquence des événements et le minutage et précisez la question plutôt que de demander un résumé indifférencié. Le résultat textuel du modèle est un artefact à l’état de brouillon, à examiner ; la capacité d’entrée visuelle ne signifie pas génération d’images, de vidéos ou de parole.
Réflexion et historique
La réflexion est activée par défaut, avec le raisonnement avant la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour les réponses directes. Les anciennes commandes textuelles /think et /nothink dans le prompt ne sont pas officiellement pris en charge. Qwen3.5 recommande de conserver les réponses finales sans contenu de réflexion dans les messages précédents de l’assistant. Cela ne doit pas être remplacé par les options de conservation du raisonnement antérieur des générations Qwen ultérieures au seul motif du nom de famille commun.
Rendez le résultat final facile à repérer, comme un champ de réponse défini, une valeur délimitée ou un artefact de code séparé. Une réponse directe nécessite toujours une vérification, tandis qu’un raisonnement plus long n’est utile que si ses étapes étayent une conclusion vérifiable.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés via MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Définissez les actions autorisées, les éléments disponibles et les critères d’achèvement. Les outils connectés exécutent les opérations et renvoient les résultats ; le modèle utilise ces retours dans son analyse. Une commande, une requête de récupération ou un correctif proposé doit rester distinct d’une action réellement accomplie par l’application.
Contexte ultra-long et vidéo
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre cible le flux d’environ un million de tokens, et deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre un besoin réel de contexte plus grand. L’entrée, les représentations visuelles, l’historique, le raisonnement et la réponse finale utilisent tous le budget de séquence configuré.
L’exemple vidéo pris en charge utilise par défaut deux images par seconde. Pour des contenus de l’ordre d’une heure, le concepteur recommande d’augmenter le budget du processeur à environ 224K tokens vidéo pour un échantillonnage plus fréquent. C’est une recette dépendant de la configuration, et non une garantie universelle de durée de média, de rappel complet ou de précision des horodatages.
Conseils de génération et limites substantielles
Les bonnes pratiques recommandent 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 réflexion générale. La programmation précise utilise temperature 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5 ; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Le raisonnement à réponse directe possède un préréglage séparé : temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Des pénalités de présence plus fortes peuvent mélanger les langues ou légèrement réduire la qualité.
Les capacités de génération recommandées sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes ; ce ne sont pas des plafonds stricts de sortie établis séparément. Définissez le format demandé, conservez les identifiants des sources et vérifiez les calculs, les valeurs extraites et le code proposé par rapport aux éléments d’origine. Le résultat utile est un artefact textuel complet dont les hypothèses et les contenus à l’appui restent visibles.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-122b-a10b | 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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00058 / 1K tokens Sortie · Tokens en sortie $0.00458 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00058 / 1K tokens Sortie · Tokens en sortie $0.00458 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-122b-a10b',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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B est le modèle de langage visuel à mélange d’experts de Qwen, avec 122 milliards de paramètres au total et 10 milliards activés. Il reçoit du texte, des images et de la vidéo pour le raisonnement, la programmation et les tâches d’agent, renvoyant du texte avec une réflexion sélectionnable et un contexte natif de 262,144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts de Qwen3.5 : le modèle à experts 122B-A10B
Qwen3.5-122B-A10B est un modèle de langage visuel après post-entraînement pour les tâches conjointes textuelles et visuelles. Il accepte le texte, les images et la vidéo et renvoie du texte, notamment des explications, des propositions de code et des artefacts documentaires demandés. La famille est construite par fusion précoce texte–vision et apprentissage par renforcement sur des tâches progressivement complexes, développant le raisonnement, la programmation, les agents et la compréhension visuelle. Elle décrit une couverture de 201 langues et dialectes sans impliquer une fiabilité identique pour chaque langue ou domaine.
Une tâche utile peut combiner une spécification technique, des schémas et du code pertinent, en demandant au modèle d’expliquer les composants et de renvoyer une proposition d’implémentation. Une tâche d’analyse documentaire peut demander une comparaison avec des références de sections ou pages à l’appui.
Vue d’ensemble du modèle
Le checkpoint à mélange parcimonieux d’experts compte 122 milliards de paramètres au total et en active dix milliards. Il possède 48 couches de modèle de langage, avec des groupes de trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur annonce 256 experts routés, sélectionnant huit experts routés avec un expert partagé. Un encodeur visuel et la prédiction multi-token font partie du modèle. Les nombres totaux et activés ont des sens différents ; le chiffre activé n’est pas la taille complète du checkpoint.
Cette édition est distincte de Qwen3.5-27B dense, de Qwen3.5-35B-A3B parcimonieux et des générations ultérieures. Ne déduisez pas un classement général de performances ou de latence de la taille seule. Le contexte natif est de 262,144 tokens et l’extension documentée atteint 1,010,000 par configuration. Qwen conseille de conserver si possible au moins 128K de contexte pour la réflexion complexe, tout en reconnaissant que la pression mémoire peut nécessiter une fenêtre plus petite.
Préparer les éléments textuels et visuels conjoints
Préservez les libellés des schémas, les axes des graphiques, les en-têtes des tableaux et les unités. Indiquez si le résultat doit expliquer une relation, extraire des champs nommés ou proposer du code. Lorsque plusieurs sources comptent, étiquetez-les et demandez une sortie organisée selon les mêmes identifiants. Séparez les faits visibles des hypothèses pour permettre à une personne de relier le raisonnement aux contenus fournis.
Pour une demande de programmation, identifiez le comportement visé, la source pertinente et une entrée démontrant le problème. Demandez un correctif modifiable avec une explication des conditions concernées et des vérifications. Pour la vidéo, préservez la séquence des événements et le minutage et précisez la question plutôt que de demander un résumé indifférencié. Le résultat textuel du modèle est un artefact à l’état de brouillon, à examiner ; la capacité d’entrée visuelle ne signifie pas génération d’images, de vidéos ou de parole.
Réflexion et historique
La réflexion est activée par défaut, avec le raisonnement avant la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour les réponses directes. Les anciennes commandes textuelles /think et /nothink dans le prompt ne sont pas officiellement pris en charge. Qwen3.5 recommande de conserver les réponses finales sans contenu de réflexion dans les messages précédents de l’assistant. Cela ne doit pas être remplacé par les options de conservation du raisonnement antérieur des générations Qwen ultérieures au seul motif du nom de famille commun.
Rendez le résultat final facile à repérer, comme un champ de réponse défini, une valeur délimitée ou un artefact de code séparé. Une réponse directe nécessite toujours une vérification, tandis qu’un raisonnement plus long n’est utile que si ses étapes étayent une conclusion vérifiable.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés via MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Définissez les actions autorisées, les éléments disponibles et les critères d’achèvement. Les outils connectés exécutent les opérations et renvoient les résultats ; le modèle utilise ces retours dans son analyse. Une commande, une requête de récupération ou un correctif proposé doit rester distinct d’une action réellement accomplie par l’application.
Contexte ultra-long et vidéo
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre cible le flux d’environ un million de tokens, et deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre un besoin réel de contexte plus grand. L’entrée, les représentations visuelles, l’historique, le raisonnement et la réponse finale utilisent tous le budget de séquence configuré.
L’exemple vidéo pris en charge utilise par défaut deux images par seconde. Pour des contenus de l’ordre d’une heure, le concepteur recommande d’augmenter le budget du processeur à environ 224K tokens vidéo pour un échantillonnage plus fréquent. C’est une recette dépendant de la configuration, et non une garantie universelle de durée de média, de rappel complet ou de précision des horodatages.
Conseils de génération et limites substantielles
Les bonnes pratiques recommandent 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 réflexion générale. La programmation précise utilise temperature 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent temperature 0.7, top_p 0.8 et une pénalité de présence de 1.5 ; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Le raisonnement à réponse directe possède un préréglage séparé : temperature 1.0, top_p 1.0, top_k 40 et une pénalité de présence de 2.0. Des pénalités de présence plus fortes peuvent mélanger les langues ou légèrement réduire la qualité.
Les capacités de génération recommandées sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes ; ce ne sont pas des plafonds stricts de sortie établis séparément. Définissez le format demandé, conservez les identifiants des sources et vérifiez les calculs, les valeurs extraites et le code proposé par rapport aux éléments d’origine. Le résultat utile est un artefact textuel complet dont les hypothèses et les contenus à l’appui restent visibles.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-122b-a10b | 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00058 / 1K tokens Sortie · Tokens en sortie $0.00458 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00058 / 1K tokens Sortie · Tokens en sortie $0.00458 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', '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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.