Les avancées de Qwen3.5 : le checkpoint 397B-A17B
Qwen3.5-397B-A17B est le modèle vision-langage à mélange d’experts ajusté après entraînement de la famille Qwen3.5. Il accepte texte, images et vidéo et génère du texte : explications, propositions de code, analyses et documents demandés. La famille utilise une fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer raisonnement, programmation, agents et compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, sans promesse de fiabilité identique pour chaque langue ou spécialité.
Le concepteur décrit séparément l’offre gérée Qwen3.5-Plus comme correspondante, avec des fonctions de production supplémentaires. Préservez l’identité, le contexte et la procédure de génération propres à ce checkpoint ouvert sans importer toutes les fonctions gérées ou commandes Qwen ultérieures. L’édition précise 397B-A17B reste distincte des modèles denses et à experts plus petits de la famille.
Présentation du modèle
Le modèle possède 397 milliards de paramètres au total et en active 17 milliards. Son architecture hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur répertorie 512 experts routés, dont dix sont sélectionnés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Paramètres totaux, paramètres activés et taille de stockage du checkpoint complet sont des notions distinctes ; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle jusqu’à 1,010,000. Texte, représentations d’images ou de vidéo, historique de conversation, raisonnement et réponse finale partagent le budget de séquence configuré. Utilisez le budget réellement configuré pour la tâche, sans supposer que le document et la réponse les plus longs y tiennent automatiquement ensemble.
Préparation des éléments textuels et visuels
Pour un projet technique, fournissez la spécification, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implémentation organisée par composants concernés et étayée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de sections, les libellés de tableaux et les unités, et demandez un tableau de constats avec les éléments justificatifs de chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à conserver.
Pour une question sur une image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre des images et la temporalité. Comparez les détails visuels, citations et descriptions d’événements renvoyés aux images, passages et horodatages d’origine. Le résultat reste une analyse textuelle ou du code ; l’entrée visuelle du modèle n’implique pas de génération d’images, de vidéo ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour une réponse directe. Les anciens commutateurs souples de prompt /think et /nothink ne sont pas officiellement pris en charge dans Qwen3.5. Rendez le livrable final facile à trouver après le raisonnement, par exemple une conclusion délimitée, un tableau d’éléments probants ou une proposition de code séparée.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation du raisonnement historique introduites dans les versions ultérieures. Suivez le gabarit exact de ce checkpoint et associez les corrections ou observations d’outils à la tâche qu’elles mettent à jour.
Utilisation par agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour les agents de programmation. Précisez les opérations autorisées, les éléments disponibles et les critères observables d’achèvement. L’application exécute les outils et fournit leurs résultats ; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposés restent distincts d’une action réellement achevée dans l’environnement.
Texte et vidéo très longs
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés propres au checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; un facteur de deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre un besoin réel de contexte accru. Organisez les longues entrées par document, page ou identifiant de code et réservez de la place au résultat.
L’exemple vidéo pris en charge utilise par défaut deux images par seconde. Pour des documents d’environ une heure, le concepteur recommande un budget de processeur accru correspondant à environ 224K tokens vidéo pour un échantillonnage plus fréquent. C’est une procédure dépendant de la configuration, sans garantie universelle de durée média, de rappel complet ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques de ce checkpoint recommandent une température de 0.6, top_p à 0.95, top_k à 20 et min_p à 0 pour la réflexion, et une température de 0.7, top_p à 0.8, top_k à 20 et min_p à 0 pour les réponses directes. Ces recommandations exactes diffèrent de celles de certaines éditions Qwen3.5 plus petites. Lorsqu’elle est prise en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais les valeurs élevées peuvent mélanger les langues ou diminuer légèrement la qualité.
Les budgets de génération recommandés sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, et non des plafonds de sortie stricts indépendants. Précisez le format de réponse requis et vérifiez les calculs, les détails extraits et le code proposé à partir de la source. La sortie utile est un livrable textuel concret dont les éléments justificatifs et les hypothèses peuvent être examinés.
", "aboutText": "Les avancées de Qwen3.5 : le checkpoint 397B-A17B\n\nQwen3.5-397B-A17B est le modèle vision-langage à mélange d’experts ajusté après entraînement de la famille Qwen3.5. Il accepte texte, images et vidéo et génère du texte : explications, propositions de code, analyses et documents demandés. La famille utilise une fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer raisonnement, programmation, agents et compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, sans promesse de fiabilité identique pour chaque langue ou spécialité.\n\nLe concepteur décrit séparément l’offre gérée Qwen3.5-Plus comme correspondante, avec des fonctions de production supplémentaires. Préservez l’identité, le contexte et la procédure de génération propres à ce checkpoint ouvert sans importer toutes les fonctions gérées ou commandes Qwen ultérieures. L’édition précise 397B-A17B reste distincte des modèles denses et à experts plus petits de la famille.\n\nPrésentation du modèle\n\nLe modèle possède 397 milliards de paramètres au total et en active 17 milliards. Son architecture hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur répertorie 512 experts routés, dont dix sont sélectionnés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Paramètres totaux, paramètres activés et taille de stockage du checkpoint complet sont des notions distinctes ; ces nombres n’établissent pas un temps de réponse fixe.\n\nLe contexte natif est de 262,144 tokens, avec extension conditionnelle jusqu’à 1,010,000. Texte, représentations d’images ou de vidéo, historique de conversation, raisonnement et réponse finale partagent le budget de séquence configuré. Utilisez le budget réellement configuré pour la tâche, sans supposer que le document et la réponse les plus longs y tiennent automatiquement ensemble.\n\nPréparation des éléments textuels et visuels\n\nPour un projet technique, fournissez la spécification, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implémentation organisée par composants concernés et étayée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de sections, les libellés de tableaux et les unités, et demandez un tableau de constats avec les éléments justificatifs de chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à conserver.\n\nPour une question sur une image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre des images et la temporalité. Comparez les détails visuels, citations et descriptions d’événements renvoyés aux images, passages et horodatages d’origine. Le résultat reste une analyse textuelle ou du code ; l’entrée visuelle du modèle n’implique pas de génération d’images, de vidéo ou de parole.\n\nRéflexion et historique de conversation\n\nLa réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour une réponse directe. Les anciens commutateurs souples de prompt /think et /nothink ne sont pas officiellement pris en charge dans Qwen3.5. Rendez le livrable final facile à trouver après le raisonnement, par exemple une conclusion délimitée, un tableau d’éléments probants ou une proposition de code séparée.\n\nLa fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation du raisonnement historique introduites dans les versions ultérieures. Suivez le gabarit exact de ce checkpoint et associez les corrections ou observations d’outils à la tâche qu’elles mettent à jour.\n\nUtilisation par agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour les agents de programmation. Précisez les opérations autorisées, les éléments disponibles et les critères observables d’achèvement. L’application exécute les outils et fournit leurs résultats ; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposés restent distincts d’une action réellement achevée dans l’environnement.\n\nTexte et vidéo très longs\n\nL’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés propres au checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; un facteur de deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre un besoin réel de contexte accru. Organisez les longues entrées par document, page ou identifiant de code et réservez de la place au résultat.\n\nL’exemple vidéo pris en charge utilise par défaut deux images par seconde. Pour des documents d’environ une heure, le concepteur recommande un budget de processeur accru correspondant à environ 224K tokens vidéo pour un échantillonnage plus fréquent. C’est une procédure dépendant de la configuration, sans garantie universelle de durée média, de rappel complet ou de précision des horodatages.\n\nRecommandations de génération et limites de fond\n\nLes bonnes pratiques de ce checkpoint recommandent une température de 0.6, top_p à 0.95, top_k à 20 et min_p à 0 pour la réflexion, et une température de 0.7, top_p à 0.8, top_k à 20 et min_p à 0 pour les réponses directes. Ces recommandations exactes diffèrent de celles de certaines éditions Qwen3.5 plus petites. Lorsqu’elle est prise en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais les valeurs élevées peuvent mélanger les langues ou diminuer légèrement la qualité.\n\nLes budgets de génération recommandés sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, et non des plafonds de sortie stricts indépendants. Précisez le format de réponse requis et vérifiez les calculs, les détails extraits et le code proposé à partir de la source. La sortie utile est un livrable textuel concret dont les éléments justificatifs et les hypothèses peuvent être examinés.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B est le modèle vision-langage à mélange d’experts de Qwen, avec 397 milliards de paramètres au total et 17 milliards activés. Il accepte texte, images et vidéo et renvoie du texte pour le raisonnement, la programmation et les tâches d’agent, avec réflexion réglable et 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.
Les avancées de Qwen3.5 : le checkpoint 397B-A17B
Qwen3.5-397B-A17B est le modèle vision-langage à mélange d’experts ajusté après entraînement de la famille Qwen3.5. Il accepte texte, images et vidéo et génère du texte : explications, propositions de code, analyses et documents demandés. La famille utilise une fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer raisonnement, programmation, agents et compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, sans promesse de fiabilité identique pour chaque langue ou spécialité.
Le concepteur décrit séparément l’offre gérée Qwen3.5-Plus comme correspondante, avec des fonctions de production supplémentaires. Préservez l’identité, le contexte et la procédure de génération propres à ce checkpoint ouvert sans importer toutes les fonctions gérées ou commandes Qwen ultérieures. L’édition précise 397B-A17B reste distincte des modèles denses et à experts plus petits de la famille.
Présentation du modèle
Le modèle possède 397 milliards de paramètres au total et en active 17 milliards. Son architecture hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur répertorie 512 experts routés, dont dix sont sélectionnés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Paramètres totaux, paramètres activés et taille de stockage du checkpoint complet sont des notions distinctes ; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle jusqu’à 1,010,000. Texte, représentations d’images ou de vidéo, historique de conversation, raisonnement et réponse finale partagent le budget de séquence configuré. Utilisez le budget réellement configuré pour la tâche, sans supposer que le document et la réponse les plus longs y tiennent automatiquement ensemble.
Préparation des éléments textuels et visuels
Pour un projet technique, fournissez la spécification, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implémentation organisée par composants concernés et étayée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de sections, les libellés de tableaux et les unités, et demandez un tableau de constats avec les éléments justificatifs de chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à conserver.
Pour une question sur une image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre des images et la temporalité. Comparez les détails visuels, citations et descriptions d’événements renvoyés aux images, passages et horodatages d’origine. Le résultat reste une analyse textuelle ou du code ; l’entrée visuelle du modèle n’implique pas de génération d’images, de vidéo ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour une réponse directe. Les anciens commutateurs souples de prompt /think et /nothink ne sont pas officiellement pris en charge dans Qwen3.5. Rendez le livrable final facile à trouver après le raisonnement, par exemple une conclusion délimitée, un tableau d’éléments probants ou une proposition de code séparée.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation du raisonnement historique introduites dans les versions ultérieures. Suivez le gabarit exact de ce checkpoint et associez les corrections ou observations d’outils à la tâche qu’elles mettent à jour.
Utilisation par agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour les agents de programmation. Précisez les opérations autorisées, les éléments disponibles et les critères observables d’achèvement. L’application exécute les outils et fournit leurs résultats ; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposés restent distincts d’une action réellement achevée dans l’environnement.
Texte et vidéo très longs
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés propres au checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; un facteur de deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre un besoin réel de contexte accru. Organisez les longues entrées par document, page ou identifiant de code et réservez de la place au résultat.
L’exemple vidéo pris en charge utilise par défaut deux images par seconde. Pour des documents d’environ une heure, le concepteur recommande un budget de processeur accru correspondant à environ 224K tokens vidéo pour un échantillonnage plus fréquent. C’est une procédure dépendant de la configuration, sans garantie universelle de durée média, de rappel complet ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques de ce checkpoint recommandent une température de 0.6, top_p à 0.95, top_k à 20 et min_p à 0 pour la réflexion, et une température de 0.7, top_p à 0.8, top_k à 20 et min_p à 0 pour les réponses directes. Ces recommandations exactes diffèrent de celles de certaines éditions Qwen3.5 plus petites. Lorsqu’elle est prise en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais les valeurs élevées peuvent mélanger les langues ou diminuer légèrement la qualité.
Les budgets de génération recommandés sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, et non des plafonds de sortie stricts indépendants. Précisez le format de réponse requis et vérifiez les calculs, les détails extraits et le code proposé à partir de la source. La sortie utile est un livrable textuel concret dont les éléments justificatifs et les hypothèses peuvent être examinés.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K tokens Sortie · Tokens en sortie $0.00468 / 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 $0.00078 / 1K tokens Sortie · Tokens en sortie $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B est le modèle vision-langage à mélange d’experts de Qwen, avec 397 milliards de paramètres au total et 17 milliards activés. Il accepte texte, images et vidéo et renvoie du texte pour le raisonnement, la programmation et les tâches d’agent, avec réflexion réglable et 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.
Les avancées de Qwen3.5 : le checkpoint 397B-A17B
Qwen3.5-397B-A17B est le modèle vision-langage à mélange d’experts ajusté après entraînement de la famille Qwen3.5. Il accepte texte, images et vidéo et génère du texte : explications, propositions de code, analyses et documents demandés. La famille utilise une fusion précoce texte–vision et l’apprentissage par renforcement sur des tâches progressivement complexes pour développer raisonnement, programmation, agents et compréhension visuelle. Sa couverture linguistique documentée est de 201 langues et dialectes, sans promesse de fiabilité identique pour chaque langue ou spécialité.
Le concepteur décrit séparément l’offre gérée Qwen3.5-Plus comme correspondante, avec des fonctions de production supplémentaires. Préservez l’identité, le contexte et la procédure de génération propres à ce checkpoint ouvert sans importer toutes les fonctions gérées ou commandes Qwen ultérieures. L’édition précise 397B-A17B reste distincte des modèles denses et à experts plus petits de la famille.
Présentation du modèle
Le modèle possède 397 milliards de paramètres au total et en active 17 milliards. Son architecture hybride de 60 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur répertorie 512 experts routés, dont dix sont sélectionnés avec un expert partagé. Un encodeur visuel et la prédiction de plusieurs tokens font partie du modèle. Paramètres totaux, paramètres activés et taille de stockage du checkpoint complet sont des notions distinctes ; ces nombres n’établissent pas un temps de réponse fixe.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle jusqu’à 1,010,000. Texte, représentations d’images ou de vidéo, historique de conversation, raisonnement et réponse finale partagent le budget de séquence configuré. Utilisez le budget réellement configuré pour la tâche, sans supposer que le document et la réponse les plus longs y tiennent automatiquement ensemble.
Préparation des éléments textuels et visuels
Pour un projet technique, fournissez la spécification, le code et les schémas pertinents et définissez le livrable à produire. Demandez une proposition d’implémentation organisée par composants concernés et étayée par les exigences fournies. Pour une comparaison documentaire, préservez les identifiants de sections, les libellés de tableaux et les unités, et demandez un tableau de constats avec les éléments justificatifs de chaque ligne. Pour un rapport multilingue, précisez la langue cible et les termes à conserver.
Pour une question sur une image, préservez les petits libellés et fournissez les définitions absentes de l’image. Pour une question vidéo, identifiez l’événement pertinent et préservez l’ordre des images et la temporalité. Comparez les détails visuels, citations et descriptions d’événements renvoyés aux images, passages et horodatages d’origine. Le résultat reste une analyse textuelle ou du code ; l’entrée visuelle du modèle n’implique pas de génération d’images, de vidéo ou de parole.
Réflexion et historique de conversation
La réflexion est activée par défaut et précède la réponse finale. Le réglage enable_thinking du concepteur peut la désactiver pour une réponse directe. Les anciens commutateurs souples de prompt /think et /nothink ne sont pas officiellement pris en charge dans Qwen3.5. Rendez le livrable final facile à trouver après le raisonnement, par exemple une conclusion délimitée, un tableau d’éléments probants ou une proposition de code séparée.
La fiche recommande de conserver les réponses finales sans contenu de réflexion dans les messages historiques de l’assistant. Cela diffère des options et valeurs par défaut de conservation du raisonnement historique introduites dans les versions ultérieures. Suivez le gabarit exact de ce checkpoint et associez les corrections ou observations d’outils à la tâche qu’elles mettent à jour.
Utilisation par agent
Qwen documente l’appel d’outils et recommande Qwen-Agent avec des outils configurés ou connectés par MCP, ainsi que Qwen Code pour les agents de programmation. Précisez les opérations autorisées, les éléments disponibles et les critères observables d’achèvement. L’application exécute les outils et fournit leurs résultats ; le modèle peut utiliser ces observations pour réviser son plan ou son explication. Une commande ou un correctif proposés restent distincts d’une action réellement achevée dans l’environnement.
Texte et vidéo très longs
L’extension du concepteur utilise YaRN avec les réglages positionnels entrelacés propres au checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; un facteur de deux est suggéré pour les charges de 524,288 tokens. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre un besoin réel de contexte accru. Organisez les longues entrées par document, page ou identifiant de code et réservez de la place au résultat.
L’exemple vidéo pris en charge utilise par défaut deux images par seconde. Pour des documents d’environ une heure, le concepteur recommande un budget de processeur accru correspondant à environ 224K tokens vidéo pour un échantillonnage plus fréquent. C’est une procédure dépendant de la configuration, sans garantie universelle de durée média, de rappel complet ou de précision des horodatages.
Recommandations de génération et limites de fond
Les bonnes pratiques de ce checkpoint recommandent une température de 0.6, top_p à 0.95, top_k à 20 et min_p à 0 pour la réflexion, et une température de 0.7, top_p à 0.8, top_k à 20 et min_p à 0 pour les réponses directes. Ces recommandations exactes diffèrent de celles de certaines éditions Qwen3.5 plus petites. Lorsqu’elle est prise en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais les valeurs élevées peuvent mélanger les langues ou diminuer légèrement la qualité.
Les budgets de génération recommandés sont de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, et non des plafonds de sortie stricts indépendants. Précisez le format de réponse requis et vérifiez les calculs, les détails extraits et le code proposé à partir de la source. La sortie utile est un livrable textuel concret dont les éléments justificatifs et les hypothèses peuvent être examinés.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K tokens Sortie · Tokens en sortie $0.00468 / 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 $0.00078 / 1K tokens Sortie · Tokens en sortie $0.00468 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.