Les avancées de Qwen3.5 dans l’édition dense 9B
Qwen3.5-9B est le checkpoint vision-langage dense ajusté après entraînement, à 9 milliards de paramètres. Il accepte texte, images et vidéo et renvoie du texte. La famille réunit raisonnement, programmation, agents et compréhension visuelle grâce à une fusion précoce des entraînements textuel et visuel, à l’apprentissage par renforcement sur des tâches progressivement complexes et à la prise en charge de 201 langues et dialectes. Cette couverture linguistique est une capacité familiale, sans garantie de fiabilité identique pour chaque langue ou sujet.
Pour des documents multilingues, indiquez la langue cible, préservez les termes techniques et demandez au résultat d’identifier les champs ou passages sources utilisés. Pour une question visuelle, fournissez une image lisible et une tâche précise. Pour une petite demande de programmation, fournissez l’entrée, le comportement souhaité et le code pertinent. Le modèle ne génère pas d’images ou de vidéos lorsqu’il analyse des éléments visuels.
Présentation du modèle
Ce modèle 9B précis est dense, avec 32 couches de modèle de langage et un encodeur visuel. Son architecture hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. La prédiction de plusieurs tokens fait partie de l’entraînement. La famille comprend aussi des modèles à experts parcimonieux, mais leurs descriptions de paramètres totaux et activés ne doivent pas être appliquées à cette édition dense.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle à 1,010,000. La configuration et la taille numérique du modèle doivent rester distinctes de celles de son checkpoint Base, des autres tailles Qwen3.5 et des versions quantifiées. Un nombre de paramètres inférieur identifie l’édition ; il n’établit pas à lui seul un temps de réponse universel ni un classement de qualité. Pour les tâches complexes de réflexion, Qwen recommande de conserver si possible un contexte configuré d’au moins 128K tokens.
Entrées et modes de réponse
Le concepteur montre des questions uniquement textuelles, avec image et avec vidéo. Fournissez une question documentaire avec la page pertinente et les champs attendus, ou une question vidéo avec l’événement et la plage temporelle concernés. Préservez les libellés, unités et ordre des images. Demandez un résultat comparable à la source, tel qu’un tableau de valeurs extraites ou une explication citant les éléments visibles.
La réflexion est activée par défaut. enable_thinking peut désactiver le raisonnement pour une réponse directe, tandis que les anciens commutateurs souples de prompt /think et /nothink ne sont pas officiellement pris en charge. Utilisez le gabarit du concepteur et séparez le raisonnement du texte final lorsque l’interface fournit les deux. La recommandation d’historique Qwen3.5 conserve les réponses finales sans leur contenu de réflexion ; le comportement plus récent de conservation historique ne doit pas être importé dans cette version.
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 outils autorisés et le résultat observable. Un outil connecté peut fournir un calcul, une recherche de sources ou un retour réel d’exécution ; le modèle peut ensuite utiliser ces informations dans sa réponse. Les outils et les actions externes relèvent de l’application ; le nom du modèle seul n’établit donc ni accès ni exécution.
Texte très long
L’extension documentée utilise YaRN avec les réglages positionnels propres à ce checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; pour 524,288 tokens, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre le besoin réel de contexte plus long. Entrée, représentation visuelle, historique, raisonnement et sortie finale partagent le budget de séquence. Organisez les documents longs par document ou identifiant de code et réservez de la place au livrable demandé.
Recommandations de génération
Les bonnes pratiques de la fiche distinguent plusieurs préréglages. La réflexion générale utilise une température de 1.0, top_p à 0.95, top_k à 20, min_p à 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. La programmation précise utilise une température de 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent une température de 0.7, top_p à 0.8 et une pénalité de présence de 1.5 ; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Pour les tâches de raisonnement en réponse directe, les bonnes pratiques recommandent plutôt une température de 1.0, top_p à 1.0, top_k à 40 et une pénalité de présence de 2.0. Ce sont des procédures propres aux tâches, pas des valeurs à mélanger sans distinction. Des pénalités de présence élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Qwen recommande un budget de génération de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les questions mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations plutôt que des plafonds de sortie stricts indépendants. Précisez le format de réponse, tel qu’un résultat mathématique délimité ou un champ de réponse, et vérifiez la conclusion à partir de la source.
Détail vidéo et limites de fond
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans le processus pris en charge. Ses recommandations pour les vidéos d’environ une heure augmentent le budget du processeur vidéo à environ 224K tokens vidéo pour un échantillonnage plus fréquent. Ce sont des exemples dépendant de la configuration, sans garantie universelle de durée ou de temporalité des événements. Gardez lisibles les petits textes et les transitions importantes, et vérifiez le texte extrait, les calculs et le code généré avant utilisation. La valeur pratique de l’édition 9B tient à son périmètre textuel et visuel conjoint documenté et à son mode de réponse réglable, avec conservation de son identité dense exacte.
", "aboutText": "Les avancées de Qwen3.5 dans l’édition dense 9B\n\nQwen3.5-9B est le checkpoint vision-langage dense ajusté après entraînement, à 9 milliards de paramètres. Il accepte texte, images et vidéo et renvoie du texte. La famille réunit raisonnement, programmation, agents et compréhension visuelle grâce à une fusion précoce des entraînements textuel et visuel, à l’apprentissage par renforcement sur des tâches progressivement complexes et à la prise en charge de 201 langues et dialectes. Cette couverture linguistique est une capacité familiale, sans garantie de fiabilité identique pour chaque langue ou sujet.\n\nPour des documents multilingues, indiquez la langue cible, préservez les termes techniques et demandez au résultat d’identifier les champs ou passages sources utilisés. Pour une question visuelle, fournissez une image lisible et une tâche précise. Pour une petite demande de programmation, fournissez l’entrée, le comportement souhaité et le code pertinent. Le modèle ne génère pas d’images ou de vidéos lorsqu’il analyse des éléments visuels.\n\nPrésentation du modèle\n\nCe modèle 9B précis est dense, avec 32 couches de modèle de langage et un encodeur visuel. Son architecture hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. La prédiction de plusieurs tokens fait partie de l’entraînement. La famille comprend aussi des modèles à experts parcimonieux, mais leurs descriptions de paramètres totaux et activés ne doivent pas être appliquées à cette édition dense.\n\nLe contexte natif est de 262,144 tokens, avec extension conditionnelle à 1,010,000. La configuration et la taille numérique du modèle doivent rester distinctes de celles de son checkpoint Base, des autres tailles Qwen3.5 et des versions quantifiées. Un nombre de paramètres inférieur identifie l’édition ; il n’établit pas à lui seul un temps de réponse universel ni un classement de qualité. Pour les tâches complexes de réflexion, Qwen recommande de conserver si possible un contexte configuré d’au moins 128K tokens.\n\nEntrées et modes de réponse\n\nLe concepteur montre des questions uniquement textuelles, avec image et avec vidéo. Fournissez une question documentaire avec la page pertinente et les champs attendus, ou une question vidéo avec l’événement et la plage temporelle concernés. Préservez les libellés, unités et ordre des images. Demandez un résultat comparable à la source, tel qu’un tableau de valeurs extraites ou une explication citant les éléments visibles.\n\nLa réflexion est activée par défaut. enable_thinking peut désactiver le raisonnement pour une réponse directe, tandis que les anciens commutateurs souples de prompt /think et /nothink ne sont pas officiellement pris en charge. Utilisez le gabarit du concepteur et séparez le raisonnement du texte final lorsque l’interface fournit les deux. La recommandation d’historique Qwen3.5 conserve les réponses finales sans leur contenu de réflexion ; le comportement plus récent de conservation historique ne doit pas être importé dans cette version.\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 outils autorisés et le résultat observable. Un outil connecté peut fournir un calcul, une recherche de sources ou un retour réel d’exécution ; le modèle peut ensuite utiliser ces informations dans sa réponse. Les outils et les actions externes relèvent de l’application ; le nom du modèle seul n’établit donc ni accès ni exécution.\n\nTexte très long\n\nL’extension documentée utilise YaRN avec les réglages positionnels propres à ce checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; pour 524,288 tokens, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre le besoin réel de contexte plus long. Entrée, représentation visuelle, historique, raisonnement et sortie finale partagent le budget de séquence. Organisez les documents longs par document ou identifiant de code et réservez de la place au livrable demandé.\n\nRecommandations de génération\n\nLes bonnes pratiques de la fiche distinguent plusieurs préréglages. La réflexion générale utilise une température de 1.0, top_p à 0.95, top_k à 20, min_p à 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. La programmation précise utilise une température de 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent une température de 0.7, top_p à 0.8 et une pénalité de présence de 1.5 ; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Pour les tâches de raisonnement en réponse directe, les bonnes pratiques recommandent plutôt une température de 1.0, top_p à 1.0, top_k à 40 et une pénalité de présence de 2.0. Ce sont des procédures propres aux tâches, pas des valeurs à mélanger sans distinction. Des pénalités de présence élevées peuvent mélanger les langues ou réduire légèrement la qualité.\n\nQwen recommande un budget de génération de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les questions mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations plutôt que des plafonds de sortie stricts indépendants. Précisez le format de réponse, tel qu’un résultat mathématique délimité ou un champ de réponse, et vérifiez la conclusion à partir de la source.\n\nDétail vidéo et limites de fond\n\nL’exemple vidéo du concepteur utilise par défaut deux images par seconde dans le processus pris en charge. Ses recommandations pour les vidéos d’environ une heure augmentent le budget du processeur vidéo à environ 224K tokens vidéo pour un échantillonnage plus fréquent. Ce sont des exemples dépendant de la configuration, sans garantie universelle de durée ou de temporalité des événements. Gardez lisibles les petits textes et les transitions importantes, et vérifiez le texte extrait, les calculs et le code généré avant utilisation. La valeur pratique de l’édition 9B tient à son périmètre textuel et visuel conjoint documenté et à son mode de réponse réglable, avec conservation de son identité dense exacte.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B est le modèle vision-langage dense de Qwen à 9 milliards de paramètres pour le texte, les images et la vidéo, avec sortie textuelle. Il associe raisonnement, programmation, appel d’outils et travail multilingue, avec réflexion réglable et contexte natif de 262,144 tokens extensible par configuration.
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 dans l’édition dense 9B
Qwen3.5-9B est le checkpoint vision-langage dense ajusté après entraînement, à 9 milliards de paramètres. Il accepte texte, images et vidéo et renvoie du texte. La famille réunit raisonnement, programmation, agents et compréhension visuelle grâce à une fusion précoce des entraînements textuel et visuel, à l’apprentissage par renforcement sur des tâches progressivement complexes et à la prise en charge de 201 langues et dialectes. Cette couverture linguistique est une capacité familiale, sans garantie de fiabilité identique pour chaque langue ou sujet.
Pour des documents multilingues, indiquez la langue cible, préservez les termes techniques et demandez au résultat d’identifier les champs ou passages sources utilisés. Pour une question visuelle, fournissez une image lisible et une tâche précise. Pour une petite demande de programmation, fournissez l’entrée, le comportement souhaité et le code pertinent. Le modèle ne génère pas d’images ou de vidéos lorsqu’il analyse des éléments visuels.
Présentation du modèle
Ce modèle 9B précis est dense, avec 32 couches de modèle de langage et un encodeur visuel. Son architecture hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. La prédiction de plusieurs tokens fait partie de l’entraînement. La famille comprend aussi des modèles à experts parcimonieux, mais leurs descriptions de paramètres totaux et activés ne doivent pas être appliquées à cette édition dense.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle à 1,010,000. La configuration et la taille numérique du modèle doivent rester distinctes de celles de son checkpoint Base, des autres tailles Qwen3.5 et des versions quantifiées. Un nombre de paramètres inférieur identifie l’édition ; il n’établit pas à lui seul un temps de réponse universel ni un classement de qualité. Pour les tâches complexes de réflexion, Qwen recommande de conserver si possible un contexte configuré d’au moins 128K tokens.
Entrées et modes de réponse
Le concepteur montre des questions uniquement textuelles, avec image et avec vidéo. Fournissez une question documentaire avec la page pertinente et les champs attendus, ou une question vidéo avec l’événement et la plage temporelle concernés. Préservez les libellés, unités et ordre des images. Demandez un résultat comparable à la source, tel qu’un tableau de valeurs extraites ou une explication citant les éléments visibles.
La réflexion est activée par défaut. enable_thinking peut désactiver le raisonnement pour une réponse directe, tandis que les anciens commutateurs souples de prompt /think et /nothink ne sont pas officiellement pris en charge. Utilisez le gabarit du concepteur et séparez le raisonnement du texte final lorsque l’interface fournit les deux. La recommandation d’historique Qwen3.5 conserve les réponses finales sans leur contenu de réflexion ; le comportement plus récent de conservation historique ne doit pas être importé dans cette version.
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 outils autorisés et le résultat observable. Un outil connecté peut fournir un calcul, une recherche de sources ou un retour réel d’exécution ; le modèle peut ensuite utiliser ces informations dans sa réponse. Les outils et les actions externes relèvent de l’application ; le nom du modèle seul n’établit donc ni accès ni exécution.
Texte très long
L’extension documentée utilise YaRN avec les réglages positionnels propres à ce checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; pour 524,288 tokens, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre le besoin réel de contexte plus long. Entrée, représentation visuelle, historique, raisonnement et sortie finale partagent le budget de séquence. Organisez les documents longs par document ou identifiant de code et réservez de la place au livrable demandé.
Recommandations de génération
Les bonnes pratiques de la fiche distinguent plusieurs préréglages. La réflexion générale utilise une température de 1.0, top_p à 0.95, top_k à 20, min_p à 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. La programmation précise utilise une température de 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent une température de 0.7, top_p à 0.8 et une pénalité de présence de 1.5 ; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Pour les tâches de raisonnement en réponse directe, les bonnes pratiques recommandent plutôt une température de 1.0, top_p à 1.0, top_k à 40 et une pénalité de présence de 2.0. Ce sont des procédures propres aux tâches, pas des valeurs à mélanger sans distinction. Des pénalités de présence élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Qwen recommande un budget de génération de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les questions mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations plutôt que des plafonds de sortie stricts indépendants. Précisez le format de réponse, tel qu’un résultat mathématique délimité ou un champ de réponse, et vérifiez la conclusion à partir de la source.
Détail vidéo et limites de fond
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans le processus pris en charge. Ses recommandations pour les vidéos d’environ une heure augmentent le budget du processeur vidéo à environ 224K tokens vidéo pour un échantillonnage plus fréquent. Ce sont des exemples dépendant de la configuration, sans garantie universelle de durée ou de temporalité des événements. Gardez lisibles les petits textes et les transitions importantes, et vérifiez le texte extrait, les calculs et le code généré avant utilisation. La valeur pratique de l’édition 9B tient à son périmètre textuel et visuel conjoint documenté et à son mode de réponse réglable, avec conservation de son identité dense exacte.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-9b | 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0003 / 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.5-9bQwen3.5-9B est le modèle vision-langage dense de Qwen à 9 milliards de paramètres pour le texte, les images et la vidéo, avec sortie textuelle. Il associe raisonnement, programmation, appel d’outils et travail multilingue, avec réflexion réglable et contexte natif de 262,144 tokens extensible par configuration.
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 dans l’édition dense 9B
Qwen3.5-9B est le checkpoint vision-langage dense ajusté après entraînement, à 9 milliards de paramètres. Il accepte texte, images et vidéo et renvoie du texte. La famille réunit raisonnement, programmation, agents et compréhension visuelle grâce à une fusion précoce des entraînements textuel et visuel, à l’apprentissage par renforcement sur des tâches progressivement complexes et à la prise en charge de 201 langues et dialectes. Cette couverture linguistique est une capacité familiale, sans garantie de fiabilité identique pour chaque langue ou sujet.
Pour des documents multilingues, indiquez la langue cible, préservez les termes techniques et demandez au résultat d’identifier les champs ou passages sources utilisés. Pour une question visuelle, fournissez une image lisible et une tâche précise. Pour une petite demande de programmation, fournissez l’entrée, le comportement souhaité et le code pertinent. Le modèle ne génère pas d’images ou de vidéos lorsqu’il analyse des éléments visuels.
Présentation du modèle
Ce modèle 9B précis est dense, avec 32 couches de modèle de langage et un encodeur visuel. Son architecture hybride répète trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. La prédiction de plusieurs tokens fait partie de l’entraînement. La famille comprend aussi des modèles à experts parcimonieux, mais leurs descriptions de paramètres totaux et activés ne doivent pas être appliquées à cette édition dense.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle à 1,010,000. La configuration et la taille numérique du modèle doivent rester distinctes de celles de son checkpoint Base, des autres tailles Qwen3.5 et des versions quantifiées. Un nombre de paramètres inférieur identifie l’édition ; il n’établit pas à lui seul un temps de réponse universel ni un classement de qualité. Pour les tâches complexes de réflexion, Qwen recommande de conserver si possible un contexte configuré d’au moins 128K tokens.
Entrées et modes de réponse
Le concepteur montre des questions uniquement textuelles, avec image et avec vidéo. Fournissez une question documentaire avec la page pertinente et les champs attendus, ou une question vidéo avec l’événement et la plage temporelle concernés. Préservez les libellés, unités et ordre des images. Demandez un résultat comparable à la source, tel qu’un tableau de valeurs extraites ou une explication citant les éléments visibles.
La réflexion est activée par défaut. enable_thinking peut désactiver le raisonnement pour une réponse directe, tandis que les anciens commutateurs souples de prompt /think et /nothink ne sont pas officiellement pris en charge. Utilisez le gabarit du concepteur et séparez le raisonnement du texte final lorsque l’interface fournit les deux. La recommandation d’historique Qwen3.5 conserve les réponses finales sans leur contenu de réflexion ; le comportement plus récent de conservation historique ne doit pas être importé dans cette version.
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 outils autorisés et le résultat observable. Un outil connecté peut fournir un calcul, une recherche de sources ou un retour réel d’exécution ; le modèle peut ensuite utiliser ces informations dans sa réponse. Les outils et les actions externes relèvent de l’application ; le nom du modèle seul n’établit donc ni accès ni exécution.
Texte très long
L’extension documentée utilise YaRN avec les réglages positionnels propres à ce checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; pour 524,288 tokens, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes courts ; elle doit donc suivre le besoin réel de contexte plus long. Entrée, représentation visuelle, historique, raisonnement et sortie finale partagent le budget de séquence. Organisez les documents longs par document ou identifiant de code et réservez de la place au livrable demandé.
Recommandations de génération
Les bonnes pratiques de la fiche distinguent plusieurs préréglages. La réflexion générale utilise une température de 1.0, top_p à 0.95, top_k à 20, min_p à 0, une pénalité de présence de 1.5 et une pénalité de répétition de 1.0. La programmation précise utilise une température de 0.6 et une pénalité de présence de zéro. Les réponses directes générales utilisent une température de 0.7, top_p à 0.8 et une pénalité de présence de 1.5 ; top_k vaut 20, min_p vaut 0 et la pénalité de répétition vaut 1.0. Pour les tâches de raisonnement en réponse directe, les bonnes pratiques recommandent plutôt une température de 1.0, top_p à 1.0, top_k à 40 et une pénalité de présence de 2.0. Ce sont des procédures propres aux tâches, pas des valeurs à mélanger sans distinction. Des pénalités de présence élevées peuvent mélanger les langues ou réduire légèrement la qualité.
Qwen recommande un budget de génération de 32,768 tokens pour la plupart des requêtes et de 81,920 pour les questions mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations plutôt que des plafonds de sortie stricts indépendants. Précisez le format de réponse, tel qu’un résultat mathématique délimité ou un champ de réponse, et vérifiez la conclusion à partir de la source.
Détail vidéo et limites de fond
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans le processus pris en charge. Ses recommandations pour les vidéos d’environ une heure augmentent le budget du processeur vidéo à environ 224K tokens vidéo pour un échantillonnage plus fréquent. Ce sont des exemples dépendant de la configuration, sans garantie universelle de durée ou de temporalité des événements. Gardez lisibles les petits textes et les transitions importantes, et vérifiez le texte extrait, les calculs et le code généré avant utilisation. La valeur pratique de l’édition 9B tient à son périmètre textuel et visuel conjoint documenté et à son mode de réponse réglable, avec conservation de son identité dense exacte.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.5-9b | 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0003 / 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.