Les avancées de Qwen3.6 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle vision-langage axé sur la programmation utile et le travail d’agent. Qwen souligne des processus frontend et un raisonnement à l’échelle du dépôt améliorés, ainsi qu’une nouvelle option de conservation de la réflexion des messages historiques. Il accepte texte, images et vidéo et renvoie du texte : explication, proposition de code, analyse structurée ou autre livrable textuel demandé. Préservez cette édition précise 35B-A3B au lieu de l’assimiler au modèle dense Qwen3.6-27B ou à son prédécesseur Qwen3.5.
Pour une tâche frontend, fournissez la capture d’écran pertinente, les exigences fonctionnelles et le contexte du code existant. Demandez une source modifiable et une description des états et interactions prévus. Pour une tâche de dépôt, identifiez la fonctionnalité concernée, l’entrée révélant le problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et ses vérifications pertinentes.
Présentation du modèle
Le modèle à mélange d’experts possède 35 milliards de paramètres au total et en active trois milliards. Son architecture hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Il possède 256 experts routés et en sélectionne huit avec un expert partagé ; la prédiction de plusieurs tokens fait partie de son entraînement. Le nombre réduit de paramètres activés ne décrit pas la taille complète du checkpoint. Un encodeur visuel fournit la composante visuelle du modèle.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle à 1,010,000. Le concepteur recommande de conserver si possible un contexte d’au moins 128K pour les tâches complexes de réflexion, même si le réduire allège la pression mémoire. Sources textuelles, représentations visuelles, messages historiques, raisonnement et réponse finale partagent le budget de séquence configuré.
Utilisation des entrées et modes de réponse
La fiche montre des questions textuelles, visuelles et vidéo. Pour un schéma ou une page, conservez les libellés et définissez la question exacte. Pour un extrait vidéo, gardez la temporalité et indiquez l’événement recherché. L’exemple vidéo pris en charge par le concepteur utilise par défaut deux images par seconde et permet de configurer l’échantillonnage. La procédure recommandée augmente le budget du processeur vidéo à environ 224K tokens vidéo pour analyser des vidéos de l’ordre d’une heure avec un échantillonnage plus fréquent ; c’est un exemple de configuration et non une limite universelle stricte de durée.
La réflexion est activée par défaut. La commande enable_thinking du concepteur permet de la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciens commutateurs souples de prompt Qwen3 /think et /nothink. Séparez le raisonnement du livrable final dans la présentation et suivez l’interface propre à ce checkpoint, sans supposer que les marqueurs ou commandes d’une autre génération s’appliquent.
Conservation de la réflexion historique
Par défaut, le gabarit conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a aussi été entraîné à utiliser le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option sur true. Cela peut aider une tâche d’agent itérative à conserver le contexte de ses décisions plutôt que de redéduire ses choix précédents ; cela modifie aussi la quantité d’historique transportée par la requête. La disponibilité de l’option dépend de l’interface exposant la procédure du concepteur.
Utilisation par agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour leur configuration, y compris les outils connectés par MCP. Qwen Code est un autre processus d’agent de programmation documenté par le concepteur. Définissez les outils autorisés, l’objectif et le livrable attendu, puis renvoyez les observations réelles des outils au modèle. Celui-ci peut raisonner sur un résultat et réviser un plan ; l’accès aux fichiers ou aux environnements d’exécution vient de l’application connectée, pas du nom du modèle.
Texte très long
L’extension documentée du contexte utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; pour les charges de 524,288 tokens, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes courts ; le concepteur recommande donc de la modifier lorsque le contexte plus long est nécessaire. Préservez les identifiants de sections et de code dans une entrée volumineuse et demandez au résultat d’indiquer les éléments étayant chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le concepteur recommande 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. Pour la programmation précise, la température passe à 0.6 et la pénalité de présence à zéro. Pour les réponses directes, il recommande une température de 0.7, top_p à 0.8 et une pénalité de présence de 1.5, les autres valeurs restant identiques. Une pénalité de présence élevée peut réduire les répétitions, mais aussi mélanger les langues ou diminuer légèrement la qualité.
Qwen recommande un budget de génération de 32,768 tokens pour la plupart des questions et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, et non des plafonds de sortie stricts établis séparément. Précisez le format final et vérifiez le code, les calculs et les détails visuels extraits à partir de la source. La continuité du raisonnement et le contexte long transportent les éléments de la tâche ; un livrable final vérifiable rend le résultat utile.
", "aboutText": "Les avancées de Qwen3.6 : programmation et continuité du raisonnement\n\nQwen3.6-35B-A3B est un modèle vision-langage axé sur la programmation utile et le travail d’agent. Qwen souligne des processus frontend et un raisonnement à l’échelle du dépôt améliorés, ainsi qu’une nouvelle option de conservation de la réflexion des messages historiques. Il accepte texte, images et vidéo et renvoie du texte : explication, proposition de code, analyse structurée ou autre livrable textuel demandé. Préservez cette édition précise 35B-A3B au lieu de l’assimiler au modèle dense Qwen3.6-27B ou à son prédécesseur Qwen3.5.\n\nPour une tâche frontend, fournissez la capture d’écran pertinente, les exigences fonctionnelles et le contexte du code existant. Demandez une source modifiable et une description des états et interactions prévus. Pour une tâche de dépôt, identifiez la fonctionnalité concernée, l’entrée révélant le problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et ses vérifications pertinentes.\n\nPrésentation du modèle\n\nLe modèle à mélange d’experts possède 35 milliards de paramètres au total et en active trois milliards. Son architecture hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Il possède 256 experts routés et en sélectionne huit avec un expert partagé ; la prédiction de plusieurs tokens fait partie de son entraînement. Le nombre réduit de paramètres activés ne décrit pas la taille complète du checkpoint. Un encodeur visuel fournit la composante visuelle du modèle.\n\nLe contexte natif est de 262,144 tokens, avec extension conditionnelle à 1,010,000. Le concepteur recommande de conserver si possible un contexte d’au moins 128K pour les tâches complexes de réflexion, même si le réduire allège la pression mémoire. Sources textuelles, représentations visuelles, messages historiques, raisonnement et réponse finale partagent le budget de séquence configuré.\n\nUtilisation des entrées et modes de réponse\n\nLa fiche montre des questions textuelles, visuelles et vidéo. Pour un schéma ou une page, conservez les libellés et définissez la question exacte. Pour un extrait vidéo, gardez la temporalité et indiquez l’événement recherché. L’exemple vidéo pris en charge par le concepteur utilise par défaut deux images par seconde et permet de configurer l’échantillonnage. La procédure recommandée augmente le budget du processeur vidéo à environ 224K tokens vidéo pour analyser des vidéos de l’ordre d’une heure avec un échantillonnage plus fréquent ; c’est un exemple de configuration et non une limite universelle stricte de durée.\n\nLa réflexion est activée par défaut. La commande enable_thinking du concepteur permet de la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciens commutateurs souples de prompt Qwen3 /think et /nothink. Séparez le raisonnement du livrable final dans la présentation et suivez l’interface propre à ce checkpoint, sans supposer que les marqueurs ou commandes d’une autre génération s’appliquent.\n\nConservation de la réflexion historique\n\nPar défaut, le gabarit conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a aussi été entraîné à utiliser le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option sur true. Cela peut aider une tâche d’agent itérative à conserver le contexte de ses décisions plutôt que de redéduire ses choix précédents ; cela modifie aussi la quantité d’historique transportée par la requête. La disponibilité de l’option dépend de l’interface exposant la procédure du concepteur.\n\nUtilisation par agent\n\nQwen documente l’appel d’outils et recommande Qwen-Agent pour leur configuration, y compris les outils connectés par MCP. Qwen Code est un autre processus d’agent de programmation documenté par le concepteur. Définissez les outils autorisés, l’objectif et le livrable attendu, puis renvoyez les observations réelles des outils au modèle. Celui-ci peut raisonner sur un résultat et réviser un plan ; l’accès aux fichiers ou aux environnements d’exécution vient de l’application connectée, pas du nom du modèle.\n\nTexte très long\n\nL’extension documentée du contexte utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; pour les charges de 524,288 tokens, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes courts ; le concepteur recommande donc de la modifier lorsque le contexte plus long est nécessaire. Préservez les identifiants de sections et de code dans une entrée volumineuse et demandez au résultat d’indiquer les éléments étayant chaque conclusion.\n\nRecommandations de génération et limites\n\nPour la réflexion générale, le concepteur recommande 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. Pour la programmation précise, la température passe à 0.6 et la pénalité de présence à zéro. Pour les réponses directes, il recommande une température de 0.7, top_p à 0.8 et une pénalité de présence de 1.5, les autres valeurs restant identiques. Une pénalité de présence élevée peut réduire les répétitions, mais aussi mélanger les langues ou diminuer légèrement la qualité.\n\nQwen recommande un budget de génération de 32,768 tokens pour la plupart des questions et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, et non des plafonds de sortie stricts établis séparément. Précisez le format final et vérifiez le code, les calculs et les détails visuels extraits à partir de la source. La continuité du raisonnement et le contexte long transportent les éléments de la tâche ; un livrable final vérifiable rend le résultat utile.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B est le modèle vision-langage à mélange d’experts de Qwen, avec 35 milliards de paramètres au total et 3 milliards activés. Axé sur la programmation frontend et à l’échelle du dépôt, il ajoute la conservation facultative du raisonnement historique et accepte texte, images et vidéo avec sortie textuelle.
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 Qwen3.6 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle vision-langage axé sur la programmation utile et le travail d’agent. Qwen souligne des processus frontend et un raisonnement à l’échelle du dépôt améliorés, ainsi qu’une nouvelle option de conservation de la réflexion des messages historiques. Il accepte texte, images et vidéo et renvoie du texte : explication, proposition de code, analyse structurée ou autre livrable textuel demandé. Préservez cette édition précise 35B-A3B au lieu de l’assimiler au modèle dense Qwen3.6-27B ou à son prédécesseur Qwen3.5.
Pour une tâche frontend, fournissez la capture d’écran pertinente, les exigences fonctionnelles et le contexte du code existant. Demandez une source modifiable et une description des états et interactions prévus. Pour une tâche de dépôt, identifiez la fonctionnalité concernée, l’entrée révélant le problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et ses vérifications pertinentes.
Présentation du modèle
Le modèle à mélange d’experts possède 35 milliards de paramètres au total et en active trois milliards. Son architecture hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Il possède 256 experts routés et en sélectionne huit avec un expert partagé ; la prédiction de plusieurs tokens fait partie de son entraînement. Le nombre réduit de paramètres activés ne décrit pas la taille complète du checkpoint. Un encodeur visuel fournit la composante visuelle du modèle.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle à 1,010,000. Le concepteur recommande de conserver si possible un contexte d’au moins 128K pour les tâches complexes de réflexion, même si le réduire allège la pression mémoire. Sources textuelles, représentations visuelles, messages historiques, raisonnement et réponse finale partagent le budget de séquence configuré.
Utilisation des entrées et modes de réponse
La fiche montre des questions textuelles, visuelles et vidéo. Pour un schéma ou une page, conservez les libellés et définissez la question exacte. Pour un extrait vidéo, gardez la temporalité et indiquez l’événement recherché. L’exemple vidéo pris en charge par le concepteur utilise par défaut deux images par seconde et permet de configurer l’échantillonnage. La procédure recommandée augmente le budget du processeur vidéo à environ 224K tokens vidéo pour analyser des vidéos de l’ordre d’une heure avec un échantillonnage plus fréquent ; c’est un exemple de configuration et non une limite universelle stricte de durée.
La réflexion est activée par défaut. La commande enable_thinking du concepteur permet de la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciens commutateurs souples de prompt Qwen3 /think et /nothink. Séparez le raisonnement du livrable final dans la présentation et suivez l’interface propre à ce checkpoint, sans supposer que les marqueurs ou commandes d’une autre génération s’appliquent.
Conservation de la réflexion historique
Par défaut, le gabarit conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a aussi été entraîné à utiliser le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option sur true. Cela peut aider une tâche d’agent itérative à conserver le contexte de ses décisions plutôt que de redéduire ses choix précédents ; cela modifie aussi la quantité d’historique transportée par la requête. La disponibilité de l’option dépend de l’interface exposant la procédure du concepteur.
Utilisation par agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour leur configuration, y compris les outils connectés par MCP. Qwen Code est un autre processus d’agent de programmation documenté par le concepteur. Définissez les outils autorisés, l’objectif et le livrable attendu, puis renvoyez les observations réelles des outils au modèle. Celui-ci peut raisonner sur un résultat et réviser un plan ; l’accès aux fichiers ou aux environnements d’exécution vient de l’application connectée, pas du nom du modèle.
Texte très long
L’extension documentée du contexte utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; pour les charges de 524,288 tokens, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes courts ; le concepteur recommande donc de la modifier lorsque le contexte plus long est nécessaire. Préservez les identifiants de sections et de code dans une entrée volumineuse et demandez au résultat d’indiquer les éléments étayant chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le concepteur recommande 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. Pour la programmation précise, la température passe à 0.6 et la pénalité de présence à zéro. Pour les réponses directes, il recommande une température de 0.7, top_p à 0.8 et une pénalité de présence de 1.5, les autres valeurs restant identiques. Une pénalité de présence élevée peut réduire les répétitions, mais aussi mélanger les langues ou diminuer légèrement la qualité.
Qwen recommande un budget de génération de 32,768 tokens pour la plupart des questions et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, et non des plafonds de sortie stricts établis séparément. Précisez le format final et vérifiez le code, les calculs et les détails visuels extraits à partir de la source. La continuité du raisonnement et le contexte long transportent les éléments de la tâche ; un livrable final vérifiable rend le résultat utile.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-35b-a3b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’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 $0.000566 / 1K tokens Sortie · Tokens en sortie $0.00341 / 1K tokens Entrée · Lecture du cache $0.0001 / 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 $0.000566 / 1K tokens Sortie · Tokens en sortie $0.00341 / 1K tokens Entrée · Lecture du cache $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B est le modèle vision-langage à mélange d’experts de Qwen, avec 35 milliards de paramètres au total et 3 milliards activés. Axé sur la programmation frontend et à l’échelle du dépôt, il ajoute la conservation facultative du raisonnement historique et accepte texte, images et vidéo avec sortie textuelle.
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 Qwen3.6 : programmation et continuité du raisonnement
Qwen3.6-35B-A3B est un modèle vision-langage axé sur la programmation utile et le travail d’agent. Qwen souligne des processus frontend et un raisonnement à l’échelle du dépôt améliorés, ainsi qu’une nouvelle option de conservation de la réflexion des messages historiques. Il accepte texte, images et vidéo et renvoie du texte : explication, proposition de code, analyse structurée ou autre livrable textuel demandé. Préservez cette édition précise 35B-A3B au lieu de l’assimiler au modèle dense Qwen3.6-27B ou à son prédécesseur Qwen3.5.
Pour une tâche frontend, fournissez la capture d’écran pertinente, les exigences fonctionnelles et le contexte du code existant. Demandez une source modifiable et une description des états et interactions prévus. Pour une tâche de dépôt, identifiez la fonctionnalité concernée, l’entrée révélant le problème et le comportement attendu. Demandez un correctif proposé avec ses hypothèses et ses vérifications pertinentes.
Présentation du modèle
Le modèle à mélange d’experts possède 35 milliards de paramètres au total et en active trois milliards. Son architecture hybride de 40 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Il possède 256 experts routés et en sélectionne huit avec un expert partagé ; la prédiction de plusieurs tokens fait partie de son entraînement. Le nombre réduit de paramètres activés ne décrit pas la taille complète du checkpoint. Un encodeur visuel fournit la composante visuelle du modèle.
Le contexte natif est de 262,144 tokens, avec extension conditionnelle à 1,010,000. Le concepteur recommande de conserver si possible un contexte d’au moins 128K pour les tâches complexes de réflexion, même si le réduire allège la pression mémoire. Sources textuelles, représentations visuelles, messages historiques, raisonnement et réponse finale partagent le budget de séquence configuré.
Utilisation des entrées et modes de réponse
La fiche montre des questions textuelles, visuelles et vidéo. Pour un schéma ou une page, conservez les libellés et définissez la question exacte. Pour un extrait vidéo, gardez la temporalité et indiquez l’événement recherché. L’exemple vidéo pris en charge par le concepteur utilise par défaut deux images par seconde et permet de configurer l’échantillonnage. La procédure recommandée augmente le budget du processeur vidéo à environ 224K tokens vidéo pour analyser des vidéos de l’ordre d’une heure avec un échantillonnage plus fréquent ; c’est un exemple de configuration et non une limite universelle stricte de durée.
La réflexion est activée par défaut. La commande enable_thinking du concepteur permet de la désactiver pour une réponse directe. Qwen3.6 ne prend pas officiellement en charge les anciens commutateurs souples de prompt Qwen3 /think et /nothink. Séparez le raisonnement du livrable final dans la présentation et suivez l’interface propre à ce checkpoint, sans supposer que les marqueurs ou commandes d’une autre génération s’appliquent.
Conservation de la réflexion historique
Par défaut, le gabarit conserve les blocs de réflexion associés au dernier message utilisateur. Qwen3.6 a aussi été entraîné à utiliser le raisonnement historique lorsque preserve_thinking est activé. Son exemple explicite règle cette option sur true. Cela peut aider une tâche d’agent itérative à conserver le contexte de ses décisions plutôt que de redéduire ses choix précédents ; cela modifie aussi la quantité d’historique transportée par la requête. La disponibilité de l’option dépend de l’interface exposant la procédure du concepteur.
Utilisation par agent
Qwen documente l’appel d’outils et recommande Qwen-Agent pour leur configuration, y compris les outils connectés par MCP. Qwen Code est un autre processus d’agent de programmation documenté par le concepteur. Définissez les outils autorisés, l’objectif et le livrable attendu, puis renvoyez les observations réelles des outils au modèle. Celui-ci peut raisonner sur un résultat et réviser un plan ; l’accès aux fichiers ou aux environnements d’exécution vient de l’application connectée, pas du nom du modèle.
Texte très long
L’extension documentée du contexte utilise YaRN avec les réglages positionnels entrelacés du checkpoint. Un facteur de quatre vise le processus d’environ un million de tokens ; pour les charges de 524,288 tokens, Qwen suggère un facteur de deux. La mise à l’échelle statique peut affecter les performances sur les textes courts ; le concepteur recommande donc de la modifier lorsque le contexte plus long est nécessaire. Préservez les identifiants de sections et de code dans une entrée volumineuse et demandez au résultat d’indiquer les éléments étayant chaque conclusion.
Recommandations de génération et limites
Pour la réflexion générale, le concepteur recommande 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. Pour la programmation précise, la température passe à 0.6 et la pénalité de présence à zéro. Pour les réponses directes, il recommande une température de 0.7, top_p à 0.8 et une pénalité de présence de 1.5, les autres valeurs restant identiques. Une pénalité de présence élevée peut réduire les répétitions, mais aussi mélanger les langues ou diminuer légèrement la qualité.
Qwen recommande un budget de génération de 32,768 tokens pour la plupart des questions et de 81,920 pour les tâches mathématiques ou de programmation exceptionnellement complexes. Ce sont des recommandations, et non des plafonds de sortie stricts établis séparément. Précisez le format final et vérifiez le code, les calculs et les détails visuels extraits à partir de la source. La continuité du raisonnement et le contexte long transportent les éléments de la tâche ; un livrable final vérifiable rend le résultat utile.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.6-35b-a3b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | 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 $0.000566 / 1K tokens Sortie · Tokens en sortie $0.00341 / 1K tokens Entrée · Lecture du cache $0.0001 / 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 $0.000566 / 1K tokens Sortie · Tokens en sortie $0.00341 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.