Points forts de Qwen3.6 dans un modèle dense 27B
Qwen3.6-27B est un modèle dense de langage visuel développé à partir de Qwen3.5-27B. Le concepteur souligne des agents de programmation et un raisonnement STEM renforcés, avec des améliorations de la compréhension spatiale, de la localisation et de la détection d’objets, de l’OCR documentaire, de la compréhension vidéo et des agents visuels. Il accepte le texte, les images et la vidéo et génère du texte. Cette édition dense précise est distincte du modèle à mélange d’experts Qwen3.6-35B-A3B, même s’ils partagent une génération et une orientation de tâches.
Pour un schéma STEM, fournissez l’énoncé complet et préservez les libellés et les unités. Demandez au modèle de séparer les faits directement visibles des hypothèses, puis de renvoyer une explication avec une réponse finale claire. Pour un document, précisez les champs ou affirmations à extraire et demandez des références de pages à l’appui. Pour un agent de programmation, fournissez les modules pertinents, le comportement souhaité et les retours réels du flux connecté. Ces exemples appliquent les capacités documentées ; ils n’affirment pas une extraction exacte ou une exécution réussie.
Vue d’ensemble du modèle
Le modèle possède 27 milliards de paramètres et 64 couches de modèle de langage. Sa disposition hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, utilisant des réseaux denses à propagation avant plutôt que des experts parcimonieux. Un encodeur visuel fournit la compréhension des images et de la vidéo, et la prédiction multi-token fait partie de l’entraînement. Ces faits d’architecture identifient le checkpoint sans classer la qualité ou le temps de réponse de chaque application.
Le contexte natif est de 262,144 tokens et peut être étendu à 1,010,000 par configuration. Qwen conseille de maintenir si possible au moins 128K de contexte pour les raisonnements complexes, tout en reconnaissant que la pression mémoire peut nécessiter un réglage inférieur. Les représentations d’images et de vidéos, le texte, les messages précédents, la réflexion et la réponse consomment tous de l’espace dans la séquence configurée.
Entrées et modes
Le concepteur présente des questions textuelles, sur image et sur vidéo. La réflexion est activée par défaut, avec un bloc de raisonnement avant la réponse finale. enable_thinking peut désactiver ce comportement pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes textuelles /think et /nothink dans le prompt. Rendez le résultat requis facile à identifier après l’explication, comme une valeur calculée, un tableau de champs extraits ou un correctif de code modifiable.
L’exemple vidéo utilise par défaut deux images par seconde dans son flux pris en charge. Pour une vidéo de l’ordre d’une heure, le concepteur recommande d’augmenter le budget du processeur pour permettre un échantillonnage plus fréquent, avec un exemple correspondant à environ 224K tokens vidéo. Davantage de détails visuels nécessitent davantage de contexte et de budget de traitement. Ces réglages n’établissent pas une durée vidéo inconditionnelle ou une précision exacte des horodatages d’événements pour chaque interface.
Réflexion antérieure
Le modèle de conversation par défaut conserve la réflexion associée au dernier message utilisateur. L’option preserve_thinking peut aussi conserver le raisonnement des messages précédents ; l’exemple explicite du concepteur l’active avec true. Cela peut soutenir un développement itératif où les décisions antérieures restent pertinentes après de nouveaux retours d’outils. Cela diffère du comportement de préservation par défaut documenté de Qwen3.8 et des recommandations de Qwen3.5 ne conservant que les réponses finales dans l’historique. Suivez le format du checkpoint exact plutôt que de substituer silencieusement les règles d’historique d’une autre génération.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés via MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Précisez les actions autorisées et les critères observables d’achèvement. Un outil peut inspecter les contenus fournis ou renvoyer le résultat réel d’une vérification, après quoi le modèle peut réviser son analyse. Le modèle n’acquiert pas d’accès à un système de fichiers, aux sources actuelles ou à un environnement d’exécution simplement par sa spécialisation comme agent.
Entrée ultra-longue
La recette d’extension utilise YaRN avec les réglages positionnels entrelacés de ce modèle. Un facteur de quatre cible le flux d’environ un million de tokens ; un facteur de deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut réduire les performances sur les textes courts ; elle doit donc suivre le besoin réel de contexte long. Étiquetez les pages, les fonctions et les limites des documents, puis demandez des conclusions identifiant les éléments à l’appui.
Recommandations de génération et limites
Les bonnes pratiques de la fiche recommandent temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0 pour la réflexion générale. Pour la programmation précise, temperature passe à 0.6. Pour les réponses directes, temperature vaut 0.7, top_p 0.8 et la pénalité de présence 1.5, les autres valeurs restant inchangées. Le concepteur avertit que 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 questions et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement difficiles. Ce ne sont pas des plafonds stricts établis séparément. Définissez le format de la réponse finale et vérifiez le texte extrait, les conclusions spatiales, les calculs et le code proposé par rapport à la source. Un grand contexte et le raisonnement conservé aident à porter les éléments à travers la tâche ; l’artefact examinable reste le résultat utile.
", "aboutText": "Points forts de Qwen3.6 dans un modèle dense 27B\n\nQwen3.6-27B est un modèle dense de langage visuel développé à partir de Qwen3.5-27B. Le concepteur souligne des agents de programmation et un raisonnement STEM renforcés, avec des améliorations de la compréhension spatiale, de la localisation et de la détection d’objets, de l’OCR documentaire, de la compréhension vidéo et des agents visuels. Il accepte le texte, les images et la vidéo et génère du texte. Cette édition dense précise est distincte du modèle à mélange d’experts Qwen3.6-35B-A3B, même s’ils partagent une génération et une orientation de tâches.\n\nPour un schéma STEM, fournissez l’énoncé complet et préservez les libellés et les unités. Demandez au modèle de séparer les faits directement visibles des hypothèses, puis de renvoyer une explication avec une réponse finale claire. Pour un document, précisez les champs ou affirmations à extraire et demandez des références de pages à l’appui. Pour un agent de programmation, fournissez les modules pertinents, le comportement souhaité et les retours réels du flux connecté. Ces exemples appliquent les capacités documentées ; ils n’affirment pas une extraction exacte ou une exécution réussie.\n\nVue d’ensemble du modèle\n\nLe modèle possède 27 milliards de paramètres et 64 couches de modèle de langage. Sa disposition hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, utilisant des réseaux denses à propagation avant plutôt que des experts parcimonieux. Un encodeur visuel fournit la compréhension des images et de la vidéo, et la prédiction multi-token fait partie de l’entraînement. Ces faits d’architecture identifient le checkpoint sans classer la qualité ou le temps de réponse de chaque application.\n\nLe contexte natif est de 262,144 tokens et peut être étendu à 1,010,000 par configuration. Qwen conseille de maintenir si possible au moins 128K de contexte pour les raisonnements complexes, tout en reconnaissant que la pression mémoire peut nécessiter un réglage inférieur. Les représentations d’images et de vidéos, le texte, les messages précédents, la réflexion et la réponse consomment tous de l’espace dans la séquence configurée.\n\nEntrées et modes\n\nLe concepteur présente des questions textuelles, sur image et sur vidéo. La réflexion est activée par défaut, avec un bloc de raisonnement avant la réponse finale. enable_thinking peut désactiver ce comportement pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes textuelles /think et /nothink dans le prompt. Rendez le résultat requis facile à identifier après l’explication, comme une valeur calculée, un tableau de champs extraits ou un correctif de code modifiable.\n\nL’exemple vidéo utilise par défaut deux images par seconde dans son flux pris en charge. Pour une vidéo de l’ordre d’une heure, le concepteur recommande d’augmenter le budget du processeur pour permettre un échantillonnage plus fréquent, avec un exemple correspondant à environ 224K tokens vidéo. Davantage de détails visuels nécessitent davantage de contexte et de budget de traitement. Ces réglages n’établissent pas une durée vidéo inconditionnelle ou une précision exacte des horodatages d’événements pour chaque interface.\n\nRéflexion antérieure\n\nLe modèle de conversation par défaut conserve la réflexion associée au dernier message utilisateur. L’option preserve_thinking peut aussi conserver le raisonnement des messages précédents ; l’exemple explicite du concepteur l’active avec true. Cela peut soutenir un développement itératif où les décisions antérieures restent pertinentes après de nouveaux retours d’outils. Cela diffère du comportement de préservation par défaut documenté de Qwen3.8 et des recommandations de Qwen3.5 ne conservant que les réponses finales dans l’historique. Suivez le format du checkpoint exact plutôt que de substituer silencieusement les règles d’historique d’une autre génération.\n\nUtilisation comme agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés via MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Précisez les actions autorisées et les critères observables d’achèvement. Un outil peut inspecter les contenus fournis ou renvoyer le résultat réel d’une vérification, après quoi le modèle peut réviser son analyse. Le modèle n’acquiert pas d’accès à un système de fichiers, aux sources actuelles ou à un environnement d’exécution simplement par sa spécialisation comme agent.\n\nEntrée ultra-longue\n\nLa recette d’extension utilise YaRN avec les réglages positionnels entrelacés de ce modèle. Un facteur de quatre cible le flux d’environ un million de tokens ; un facteur de deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut réduire les performances sur les textes courts ; elle doit donc suivre le besoin réel de contexte long. Étiquetez les pages, les fonctions et les limites des documents, puis demandez des conclusions identifiant les éléments à l’appui.\n\nRecommandations de génération et limites\n\nLes bonnes pratiques de la fiche recommandent temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0 pour la réflexion générale. Pour la programmation précise, temperature passe à 0.6. Pour les réponses directes, temperature vaut 0.7, top_p 0.8 et la pénalité de présence 1.5, les autres valeurs restant inchangées. Le concepteur avertit que 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 questions et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement difficiles. Ce ne sont pas des plafonds stricts établis séparément. Définissez le format de la réponse finale et vérifiez le texte extrait, les conclusions spatiales, les calculs et le code proposé par rapport à la source. Un grand contexte et le raisonnement conservé aident à porter les éléments à travers la tâche ; l’artefact examinable reste le résultat utile.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B est le modèle dense de langage visuel de Qwen pour la programmation, le raisonnement STEM et l’analyse visuelle. Il accepte le texte, les images et la vidéo et renvoie du texte, avec une réflexion sélectionnable, la préservation facultative du raisonnement antérieur 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 Qwen3.6 dans un modèle dense 27B
Qwen3.6-27B est un modèle dense de langage visuel développé à partir de Qwen3.5-27B. Le concepteur souligne des agents de programmation et un raisonnement STEM renforcés, avec des améliorations de la compréhension spatiale, de la localisation et de la détection d’objets, de l’OCR documentaire, de la compréhension vidéo et des agents visuels. Il accepte le texte, les images et la vidéo et génère du texte. Cette édition dense précise est distincte du modèle à mélange d’experts Qwen3.6-35B-A3B, même s’ils partagent une génération et une orientation de tâches.
Pour un schéma STEM, fournissez l’énoncé complet et préservez les libellés et les unités. Demandez au modèle de séparer les faits directement visibles des hypothèses, puis de renvoyer une explication avec une réponse finale claire. Pour un document, précisez les champs ou affirmations à extraire et demandez des références de pages à l’appui. Pour un agent de programmation, fournissez les modules pertinents, le comportement souhaité et les retours réels du flux connecté. Ces exemples appliquent les capacités documentées ; ils n’affirment pas une extraction exacte ou une exécution réussie.
Vue d’ensemble du modèle
Le modèle possède 27 milliards de paramètres et 64 couches de modèle de langage. Sa disposition hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, utilisant des réseaux denses à propagation avant plutôt que des experts parcimonieux. Un encodeur visuel fournit la compréhension des images et de la vidéo, et la prédiction multi-token fait partie de l’entraînement. Ces faits d’architecture identifient le checkpoint sans classer la qualité ou le temps de réponse de chaque application.
Le contexte natif est de 262,144 tokens et peut être étendu à 1,010,000 par configuration. Qwen conseille de maintenir si possible au moins 128K de contexte pour les raisonnements complexes, tout en reconnaissant que la pression mémoire peut nécessiter un réglage inférieur. Les représentations d’images et de vidéos, le texte, les messages précédents, la réflexion et la réponse consomment tous de l’espace dans la séquence configurée.
Entrées et modes
Le concepteur présente des questions textuelles, sur image et sur vidéo. La réflexion est activée par défaut, avec un bloc de raisonnement avant la réponse finale. enable_thinking peut désactiver ce comportement pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes textuelles /think et /nothink dans le prompt. Rendez le résultat requis facile à identifier après l’explication, comme une valeur calculée, un tableau de champs extraits ou un correctif de code modifiable.
L’exemple vidéo utilise par défaut deux images par seconde dans son flux pris en charge. Pour une vidéo de l’ordre d’une heure, le concepteur recommande d’augmenter le budget du processeur pour permettre un échantillonnage plus fréquent, avec un exemple correspondant à environ 224K tokens vidéo. Davantage de détails visuels nécessitent davantage de contexte et de budget de traitement. Ces réglages n’établissent pas une durée vidéo inconditionnelle ou une précision exacte des horodatages d’événements pour chaque interface.
Réflexion antérieure
Le modèle de conversation par défaut conserve la réflexion associée au dernier message utilisateur. L’option preserve_thinking peut aussi conserver le raisonnement des messages précédents ; l’exemple explicite du concepteur l’active avec true. Cela peut soutenir un développement itératif où les décisions antérieures restent pertinentes après de nouveaux retours d’outils. Cela diffère du comportement de préservation par défaut documenté de Qwen3.8 et des recommandations de Qwen3.5 ne conservant que les réponses finales dans l’historique. Suivez le format du checkpoint exact plutôt que de substituer silencieusement les règles d’historique d’une autre génération.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés via MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Précisez les actions autorisées et les critères observables d’achèvement. Un outil peut inspecter les contenus fournis ou renvoyer le résultat réel d’une vérification, après quoi le modèle peut réviser son analyse. Le modèle n’acquiert pas d’accès à un système de fichiers, aux sources actuelles ou à un environnement d’exécution simplement par sa spécialisation comme agent.
Entrée ultra-longue
La recette d’extension utilise YaRN avec les réglages positionnels entrelacés de ce modèle. Un facteur de quatre cible le flux d’environ un million de tokens ; un facteur de deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut réduire les performances sur les textes courts ; elle doit donc suivre le besoin réel de contexte long. Étiquetez les pages, les fonctions et les limites des documents, puis demandez des conclusions identifiant les éléments à l’appui.
Recommandations de génération et limites
Les bonnes pratiques de la fiche recommandent temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0 pour la réflexion générale. Pour la programmation précise, temperature passe à 0.6. Pour les réponses directes, temperature vaut 0.7, top_p 0.8 et la pénalité de présence 1.5, les autres valeurs restant inchangées. Le concepteur avertit que 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 questions et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement difficiles. Ce ne sont pas des plafonds stricts établis séparément. Définissez le format de la réponse finale et vérifiez le texte extrait, les conclusions spatiales, les calculs et le code proposé par rapport à la source. Un grand contexte et le raisonnement conservé aident à porter les éléments à travers la tâche ; l’artefact examinable reste le résultat utile.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-27b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’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 $0.0009 / 1K tokens Sortie · Tokens en sortie $0.0054 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 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 $0.0009 / 1K tokens Sortie · Tokens en sortie $0.0054 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, 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/qwen3.6-27b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.6-27bQwen3.6-27B est le modèle dense de langage visuel de Qwen pour la programmation, le raisonnement STEM et l’analyse visuelle. Il accepte le texte, les images et la vidéo et renvoie du texte, avec une réflexion sélectionnable, la préservation facultative du raisonnement antérieur 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 Qwen3.6 dans un modèle dense 27B
Qwen3.6-27B est un modèle dense de langage visuel développé à partir de Qwen3.5-27B. Le concepteur souligne des agents de programmation et un raisonnement STEM renforcés, avec des améliorations de la compréhension spatiale, de la localisation et de la détection d’objets, de l’OCR documentaire, de la compréhension vidéo et des agents visuels. Il accepte le texte, les images et la vidéo et génère du texte. Cette édition dense précise est distincte du modèle à mélange d’experts Qwen3.6-35B-A3B, même s’ils partagent une génération et une orientation de tâches.
Pour un schéma STEM, fournissez l’énoncé complet et préservez les libellés et les unités. Demandez au modèle de séparer les faits directement visibles des hypothèses, puis de renvoyer une explication avec une réponse finale claire. Pour un document, précisez les champs ou affirmations à extraire et demandez des références de pages à l’appui. Pour un agent de programmation, fournissez les modules pertinents, le comportement souhaité et les retours réels du flux connecté. Ces exemples appliquent les capacités documentées ; ils n’affirment pas une extraction exacte ou une exécution réussie.
Vue d’ensemble du modèle
Le modèle possède 27 milliards de paramètres et 64 couches de modèle de langage. Sa disposition hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, utilisant des réseaux denses à propagation avant plutôt que des experts parcimonieux. Un encodeur visuel fournit la compréhension des images et de la vidéo, et la prédiction multi-token fait partie de l’entraînement. Ces faits d’architecture identifient le checkpoint sans classer la qualité ou le temps de réponse de chaque application.
Le contexte natif est de 262,144 tokens et peut être étendu à 1,010,000 par configuration. Qwen conseille de maintenir si possible au moins 128K de contexte pour les raisonnements complexes, tout en reconnaissant que la pression mémoire peut nécessiter un réglage inférieur. Les représentations d’images et de vidéos, le texte, les messages précédents, la réflexion et la réponse consomment tous de l’espace dans la séquence configurée.
Entrées et modes
Le concepteur présente des questions textuelles, sur image et sur vidéo. La réflexion est activée par défaut, avec un bloc de raisonnement avant la réponse finale. enable_thinking peut désactiver ce comportement pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciennes commandes textuelles /think et /nothink dans le prompt. Rendez le résultat requis facile à identifier après l’explication, comme une valeur calculée, un tableau de champs extraits ou un correctif de code modifiable.
L’exemple vidéo utilise par défaut deux images par seconde dans son flux pris en charge. Pour une vidéo de l’ordre d’une heure, le concepteur recommande d’augmenter le budget du processeur pour permettre un échantillonnage plus fréquent, avec un exemple correspondant à environ 224K tokens vidéo. Davantage de détails visuels nécessitent davantage de contexte et de budget de traitement. Ces réglages n’établissent pas une durée vidéo inconditionnelle ou une précision exacte des horodatages d’événements pour chaque interface.
Réflexion antérieure
Le modèle de conversation par défaut conserve la réflexion associée au dernier message utilisateur. L’option preserve_thinking peut aussi conserver le raisonnement des messages précédents ; l’exemple explicite du concepteur l’active avec true. Cela peut soutenir un développement itératif où les décisions antérieures restent pertinentes après de nouveaux retours d’outils. Cela diffère du comportement de préservation par défaut documenté de Qwen3.8 et des recommandations de Qwen3.5 ne conservant que les réponses finales dans l’historique. Suivez le format du checkpoint exact plutôt que de substituer silencieusement les règles d’historique d’une autre génération.
Utilisation comme agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés via MCP, ainsi que Qwen Code pour le travail d’agent de programmation. Précisez les actions autorisées et les critères observables d’achèvement. Un outil peut inspecter les contenus fournis ou renvoyer le résultat réel d’une vérification, après quoi le modèle peut réviser son analyse. Le modèle n’acquiert pas d’accès à un système de fichiers, aux sources actuelles ou à un environnement d’exécution simplement par sa spécialisation comme agent.
Entrée ultra-longue
La recette d’extension utilise YaRN avec les réglages positionnels entrelacés de ce modèle. Un facteur de quatre cible le flux d’environ un million de tokens ; un facteur de deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut réduire les performances sur les textes courts ; elle doit donc suivre le besoin réel de contexte long. Étiquetez les pages, les fonctions et les limites des documents, puis demandez des conclusions identifiant les éléments à l’appui.
Recommandations de génération et limites
Les bonnes pratiques de la fiche recommandent temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0 pour la réflexion générale. Pour la programmation précise, temperature passe à 0.6. Pour les réponses directes, temperature vaut 0.7, top_p 0.8 et la pénalité de présence 1.5, les autres valeurs restant inchangées. Le concepteur avertit que 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 questions et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement difficiles. Ce ne sont pas des plafonds stricts établis séparément. Définissez le format de la réponse finale et vérifiez le texte extrait, les conclusions spatiales, les calculs et le code proposé par rapport à la source. Un grand contexte et le raisonnement conservé aident à porter les éléments à travers la tâche ; l’artefact examinable reste le résultat utile.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-27b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | 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 $0.0009 / 1K tokens Sortie · Tokens en sortie $0.0054 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 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 $0.0009 / 1K tokens Sortie · Tokens en sortie $0.0054 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les 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/qwen3.6-27b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.