A Qwen3.5 fő jellemzői: a 122B-A10B szakértős modell
A Qwen3.5-122B-A10B utótanított vizuális-nyelvi modell közös szöveges és vizuális feladatokhoz. Szöveget, képeket és videót fogad, és szöveget ad vissza, köztük magyarázatokat, kódjavaslatokat és kért dokumentum-munkatermékeket. A család korai szöveg–látás fúzióval és fokozatosan összetettebb feladatokon végzett megerősítéses tanulással épül, fejlesztve a következtetést, kódolást, ügynököket és vizuális megértést. 201 nyelv és nyelvjárás lefedettségét írja le, nem sugallva azonos megbízhatóságot minden nyelvhez vagy szakterülethez.
Egy hasznos feladat műszaki specifikációt, ábrákat és releváns kódot kombinálhat, a komponensek magyarázatát és megvalósítási javaslatot kérve a modelltől. Egy dokumentumelemzési feladat összehasonlítást kérhet alátámasztó szakasz- vagy oldalhivatkozásokkal.
A modell áttekintése
A ritka szakértőkeverékes modellváltozat összesen 122 milliárd paraméterből tízmilliárdot aktivál. 48 nyelvimodell-rétege van, három Gated DeltaNet szakértői rétegből és azokat követő egy kapuzott figyelmi szakértői rétegből álló csoportokkal. A gyártó 256 útválasztott szakértőt sorol fel, amelyek közül nyolcat választ ki egy közös szakértővel együtt. Képkódoló és többtokenes előrejelzés is része a modellnek. Teljes és aktivált paraméterszáma eltérő jelentésű; az aktivált szám nem a teljes modellváltozat mérete.
Ez a sűrű Qwen3.5-27B, a ritka Qwen3.5-35B-A3B és a későbbi modellgenerációktól különálló kiadás. Pusztán méretéből ne következtessen általános teljesítmény- vagy késleltetési rangsorra. A natív kontextus 262,144 token, a dokumentált bővítés beállítással 1,010,000 tokenig ér el. A Qwen összetett gondolkodáshoz lehetőség szerint legalább 128K kontextus megtartását javasolja, elismerve, hogy a memóriaterhelés kisebb ablakot tehet szükségessé.
Közös szöveges és vizuális bizonyítékok előkészítése
Őrizze meg az ábrafeliratokat, diagramtengelyeket, táblázatfejléceket és mértékegységeket. Határozza meg, hogy az eredmény kapcsolatot magyarázzon, megnevezett mezőket nyerjen ki vagy kódot javasoljon. Ha több forrás fontos, címkézze őket, és azonos azonosítók szerint rendezett kimenetet kérjen. Válassza el a látható tényeket a feltételezésektől, hogy a felülvizsgáló visszakövethesse a következtetést a megadott anyagig.
Kódolási kérésnél azonosítsa a kívánt működést, a releváns forrást és a problémát bemutató bemenetet. Kérjen szerkeszthető javítást az érintett feltételek és ellenőrzések magyarázatával. Videónál őrizze meg az eseménysort és az időzítést, és konkrét kérdést adjon meg általános összefoglaló helyett. A modell szöveges eredménye megvizsgálandó munkapéldány; a vizuális bemeneti képesség nem jelent kép-, videó- vagy beszédgenerálást.
Gondolkodás és előzmények
A gondolkodás alapértelmezés szerint be van kapcsolva, következtetéssel a végső válasz előtt. A gyártó enable_thinking beállítása közvetlen válaszhoz kikapcsolhatja. A régi /think és /nothink szöveges kapcsolók hivatalosan nem támogatottak. A Qwen3.5 a korábbi asszisztensüzenetekben a végső válaszok gondolkodási tartalom nélküli megtartását ajánlja. Ezt nem szabad későbbi Qwen-generációk előzménymegőrzési opcióival helyettesíteni pusztán a közös családnév miatt.
A végső eredményt tegye könnyen megtalálhatóvá, például meghatározott válaszmezőként, elhatárolt értékként vagy külön kód-munkatermékként. A közvetlen válasz is ellenőrzést igényel, a hosszabb következtetés pedig csak akkor hasznos, ha lépései ellenőrizhető következtetést támasztanak alá.
Ügynökjellegű használat
A Qwen dokumentálja az eszközhívást, és beállított vagy MCP-n keresztül csatlakozó eszközökhöz a Qwen-Agent, kódolóügynök-munkához pedig a Qwen Code használatát ajánlja. Határozza meg az engedélyezett műveleteket, elérhető bizonyítékokat és teljesítési feltételeket. A kapcsolódó eszközök műveleteket hajtanak végre és eredményeket adnak vissza; a modell e visszajelzést használja elemzésében. A javasolt parancs, lekérdezés vagy javítás különbözzön az alkalmazás által ténylegesen befejezett művelettől.
Rendkívül hosszú kontextus és videó
A gyártó bővítése YaRN-t használ a modellváltozat váltakozó pozicionális beállításaival. A négyszeres szorzó a hozzávetőleg egymillió tokenes folyamatot célozza, 524,288 tokenes terheléshez pedig kétszeres javasolt. A statikus skálázás befolyásolhatja a rövidebb szövegek teljesítményét, ezért a nagyobb kontextus tényleges szükségletéhez kell igazítani. A bemenet, reprezentált vizuális anyag, előzmények, következtetés és végső válasz mind a beállított szekvenciakeretet használja.
A támogatott videós példa alapértelmezés szerint másodpercenként két képkockát használ. Órás anyaghoz a gyártó a feldolgozó keretének körülbelül 224K videótokenre növelését ajánlja a sűrűbb mintavételhez. Ez beállításfüggő recept, nem jelent általános garanciát a média időtartamára, a teljes felidézésre vagy az időbélyegek pontosságára.
Generálási útmutató és érdemi korlátok
A Best Practices több beállításkészletet különböztet meg. Általános gondolkodáshoz temperature 1.0, top_p 0.95, top_k 20, min_p 0, jelenléti büntetés 1.5 és ismétlési büntetés 1.0 tartozik. Pontos kódoláshoz temperature 0.6 és nulla jelenléti büntetés használatos. Általános közvetlen válaszokhoz temperature 0.7, top_p 0.8 és jelenléti büntetés 1.5 tartozik; a top_k 20, a min_p 0, az ismétlési büntetés 1.0. Közvetlenválasz-módban végzett következtetéshez a Best Practices külön temperature 1.0, top_p 1.0, top_k 40 és jelenléti büntetés 2.0 értékeket ajánl. A nagyobb jelenléti büntetések nyelvek keveredését vagy enyhe minőségromlást okozhatnak.
Az ajánlott generálási keret a legtöbb lekérdezéshez 32,768 token, szokatlanul összetett matematikai vagy programozási munkához 81,920 token; ezek nem külön igazolt, szigorú kimeneti felső határok. Határozza meg a kért formátumot, őrizze meg a forrásazonosítókat, és a számításokat, kinyert értékeket és javasolt kódot ellenőrizze az eredeti bizonyítékokkal. A hasznos eredmény teljes szöveges munkatermék, amelynek feltételezései és alátámasztó anyagai láthatók maradnak.
", "aboutText": "A Qwen3.5 fő jellemzői: a 122B-A10B szakértős modell\n\nA Qwen3.5-122B-A10B utótanított vizuális-nyelvi modell közös szöveges és vizuális feladatokhoz. Szöveget, képeket és videót fogad, és szöveget ad vissza, köztük magyarázatokat, kódjavaslatokat és kért dokumentum-munkatermékeket. A család korai szöveg–látás fúzióval és fokozatosan összetettebb feladatokon végzett megerősítéses tanulással épül, fejlesztve a következtetést, kódolást, ügynököket és vizuális megértést. 201 nyelv és nyelvjárás lefedettségét írja le, nem sugallva azonos megbízhatóságot minden nyelvhez vagy szakterülethez.\n\nEgy hasznos feladat műszaki specifikációt, ábrákat és releváns kódot kombinálhat, a komponensek magyarázatát és megvalósítási javaslatot kérve a modelltől. Egy dokumentumelemzési feladat összehasonlítást kérhet alátámasztó szakasz- vagy oldalhivatkozásokkal.\n\nA modell áttekintése\n\nA ritka szakértőkeverékes modellváltozat összesen 122 milliárd paraméterből tízmilliárdot aktivál. 48 nyelvimodell-rétege van, három Gated DeltaNet szakértői rétegből és azokat követő egy kapuzott figyelmi szakértői rétegből álló csoportokkal. A gyártó 256 útválasztott szakértőt sorol fel, amelyek közül nyolcat választ ki egy közös szakértővel együtt. Képkódoló és többtokenes előrejelzés is része a modellnek. Teljes és aktivált paraméterszáma eltérő jelentésű; az aktivált szám nem a teljes modellváltozat mérete.\n\nEz a sűrű Qwen3.5-27B, a ritka Qwen3.5-35B-A3B és a későbbi modellgenerációktól különálló kiadás. Pusztán méretéből ne következtessen általános teljesítmény- vagy késleltetési rangsorra. A natív kontextus 262,144 token, a dokumentált bővítés beállítással 1,010,000 tokenig ér el. A Qwen összetett gondolkodáshoz lehetőség szerint legalább 128K kontextus megtartását javasolja, elismerve, hogy a memóriaterhelés kisebb ablakot tehet szükségessé.\n\nKözös szöveges és vizuális bizonyítékok előkészítése\n\nŐrizze meg az ábrafeliratokat, diagramtengelyeket, táblázatfejléceket és mértékegységeket. Határozza meg, hogy az eredmény kapcsolatot magyarázzon, megnevezett mezőket nyerjen ki vagy kódot javasoljon. Ha több forrás fontos, címkézze őket, és azonos azonosítók szerint rendezett kimenetet kérjen. Válassza el a látható tényeket a feltételezésektől, hogy a felülvizsgáló visszakövethesse a következtetést a megadott anyagig.\n\nKódolási kérésnél azonosítsa a kívánt működést, a releváns forrást és a problémát bemutató bemenetet. Kérjen szerkeszthető javítást az érintett feltételek és ellenőrzések magyarázatával. Videónál őrizze meg az eseménysort és az időzítést, és konkrét kérdést adjon meg általános összefoglaló helyett. A modell szöveges eredménye megvizsgálandó munkapéldány; a vizuális bemeneti képesség nem jelent kép-, videó- vagy beszédgenerálást.\n\nGondolkodás és előzmények\n\nA gondolkodás alapértelmezés szerint be van kapcsolva, következtetéssel a végső válasz előtt. A gyártó enable_thinking beállítása közvetlen válaszhoz kikapcsolhatja. A régi /think és /nothink szöveges kapcsolók hivatalosan nem támogatottak. A Qwen3.5 a korábbi asszisztensüzenetekben a végső válaszok gondolkodási tartalom nélküli megtartását ajánlja. Ezt nem szabad későbbi Qwen-generációk előzménymegőrzési opcióival helyettesíteni pusztán a közös családnév miatt.\n\nA végső eredményt tegye könnyen megtalálhatóvá, például meghatározott válaszmezőként, elhatárolt értékként vagy külön kód-munkatermékként. A közvetlen válasz is ellenőrzést igényel, a hosszabb következtetés pedig csak akkor hasznos, ha lépései ellenőrizhető következtetést támasztanak alá.\n\nÜgynökjellegű használat\n\nA Qwen dokumentálja az eszközhívást, és beállított vagy MCP-n keresztül csatlakozó eszközökhöz a Qwen-Agent, kódolóügynök-munkához pedig a Qwen Code használatát ajánlja. Határozza meg az engedélyezett műveleteket, elérhető bizonyítékokat és teljesítési feltételeket. A kapcsolódó eszközök műveleteket hajtanak végre és eredményeket adnak vissza; a modell e visszajelzést használja elemzésében. A javasolt parancs, lekérdezés vagy javítás különbözzön az alkalmazás által ténylegesen befejezett művelettől.\n\nRendkívül hosszú kontextus és videó\n\nA gyártó bővítése YaRN-t használ a modellváltozat váltakozó pozicionális beállításaival. A négyszeres szorzó a hozzávetőleg egymillió tokenes folyamatot célozza, 524,288 tokenes terheléshez pedig kétszeres javasolt. A statikus skálázás befolyásolhatja a rövidebb szövegek teljesítményét, ezért a nagyobb kontextus tényleges szükségletéhez kell igazítani. A bemenet, reprezentált vizuális anyag, előzmények, következtetés és végső válasz mind a beállított szekvenciakeretet használja.\n\nA támogatott videós példa alapértelmezés szerint másodpercenként két képkockát használ. Órás anyaghoz a gyártó a feldolgozó keretének körülbelül 224K videótokenre növelését ajánlja a sűrűbb mintavételhez. Ez beállításfüggő recept, nem jelent általános garanciát a média időtartamára, a teljes felidézésre vagy az időbélyegek pontosságára.\n\nGenerálási útmutató és érdemi korlátok\n\nA Best Practices több beállításkészletet különböztet meg. Általános gondolkodáshoz temperature 1.0, top_p 0.95, top_k 20, min_p 0, jelenléti büntetés 1.5 és ismétlési büntetés 1.0 tartozik. Pontos kódoláshoz temperature 0.6 és nulla jelenléti büntetés használatos. Általános közvetlen válaszokhoz temperature 0.7, top_p 0.8 és jelenléti büntetés 1.5 tartozik; a top_k 20, a min_p 0, az ismétlési büntetés 1.0. Közvetlenválasz-módban végzett következtetéshez a Best Practices külön temperature 1.0, top_p 1.0, top_k 40 és jelenléti büntetés 2.0 értékeket ajánl. A nagyobb jelenléti büntetések nyelvek keveredését vagy enyhe minőségromlást okozhatnak.\n\nAz ajánlott generálási keret a legtöbb lekérdezéshez 32,768 token, szokatlanul összetett matematikai vagy programozási munkához 81,920 token; ezek nem külön igazolt, szigorú kimeneti felső határok. Határozza meg a kért formátumot, őrizze meg a forrásazonosítókat, és a számításokat, kinyert értékeket és javasolt kódot ellenőrizze az eredeti bizonyítékokkal. A hasznos eredmény teljes szöveges munkatermék, amelynek feltételezései és alátámasztó anyagai láthatók maradnak.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bA Qwen3.5-122B-A10B a Qwen vizuális-nyelvi szakértőkeverékes modellje, összesen 122 milliárd és 10 milliárd aktivált paraméterrel. Szöveget, képeket és videót fogad következtetési, kódolási és ügynökfeladatokhoz, és szöveget ad vissza választható gondolkodással, natív 262,144 tokenes kontextussal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen3.5 fő jellemzői: a 122B-A10B szakértős modell
A Qwen3.5-122B-A10B utótanított vizuális-nyelvi modell közös szöveges és vizuális feladatokhoz. Szöveget, képeket és videót fogad, és szöveget ad vissza, köztük magyarázatokat, kódjavaslatokat és kért dokumentum-munkatermékeket. A család korai szöveg–látás fúzióval és fokozatosan összetettebb feladatokon végzett megerősítéses tanulással épül, fejlesztve a következtetést, kódolást, ügynököket és vizuális megértést. 201 nyelv és nyelvjárás lefedettségét írja le, nem sugallva azonos megbízhatóságot minden nyelvhez vagy szakterülethez.
Egy hasznos feladat műszaki specifikációt, ábrákat és releváns kódot kombinálhat, a komponensek magyarázatát és megvalósítási javaslatot kérve a modelltől. Egy dokumentumelemzési feladat összehasonlítást kérhet alátámasztó szakasz- vagy oldalhivatkozásokkal.
A modell áttekintése
A ritka szakértőkeverékes modellváltozat összesen 122 milliárd paraméterből tízmilliárdot aktivál. 48 nyelvimodell-rétege van, három Gated DeltaNet szakértői rétegből és azokat követő egy kapuzott figyelmi szakértői rétegből álló csoportokkal. A gyártó 256 útválasztott szakértőt sorol fel, amelyek közül nyolcat választ ki egy közös szakértővel együtt. Képkódoló és többtokenes előrejelzés is része a modellnek. Teljes és aktivált paraméterszáma eltérő jelentésű; az aktivált szám nem a teljes modellváltozat mérete.
Ez a sűrű Qwen3.5-27B, a ritka Qwen3.5-35B-A3B és a későbbi modellgenerációktól különálló kiadás. Pusztán méretéből ne következtessen általános teljesítmény- vagy késleltetési rangsorra. A natív kontextus 262,144 token, a dokumentált bővítés beállítással 1,010,000 tokenig ér el. A Qwen összetett gondolkodáshoz lehetőség szerint legalább 128K kontextus megtartását javasolja, elismerve, hogy a memóriaterhelés kisebb ablakot tehet szükségessé.
Közös szöveges és vizuális bizonyítékok előkészítése
Őrizze meg az ábrafeliratokat, diagramtengelyeket, táblázatfejléceket és mértékegységeket. Határozza meg, hogy az eredmény kapcsolatot magyarázzon, megnevezett mezőket nyerjen ki vagy kódot javasoljon. Ha több forrás fontos, címkézze őket, és azonos azonosítók szerint rendezett kimenetet kérjen. Válassza el a látható tényeket a feltételezésektől, hogy a felülvizsgáló visszakövethesse a következtetést a megadott anyagig.
Kódolási kérésnél azonosítsa a kívánt működést, a releváns forrást és a problémát bemutató bemenetet. Kérjen szerkeszthető javítást az érintett feltételek és ellenőrzések magyarázatával. Videónál őrizze meg az eseménysort és az időzítést, és konkrét kérdést adjon meg általános összefoglaló helyett. A modell szöveges eredménye megvizsgálandó munkapéldány; a vizuális bemeneti képesség nem jelent kép-, videó- vagy beszédgenerálást.
Gondolkodás és előzmények
A gondolkodás alapértelmezés szerint be van kapcsolva, következtetéssel a végső válasz előtt. A gyártó enable_thinking beállítása közvetlen válaszhoz kikapcsolhatja. A régi /think és /nothink szöveges kapcsolók hivatalosan nem támogatottak. A Qwen3.5 a korábbi asszisztensüzenetekben a végső válaszok gondolkodási tartalom nélküli megtartását ajánlja. Ezt nem szabad későbbi Qwen-generációk előzménymegőrzési opcióival helyettesíteni pusztán a közös családnév miatt.
A végső eredményt tegye könnyen megtalálhatóvá, például meghatározott válaszmezőként, elhatárolt értékként vagy külön kód-munkatermékként. A közvetlen válasz is ellenőrzést igényel, a hosszabb következtetés pedig csak akkor hasznos, ha lépései ellenőrizhető következtetést támasztanak alá.
Ügynökjellegű használat
A Qwen dokumentálja az eszközhívást, és beállított vagy MCP-n keresztül csatlakozó eszközökhöz a Qwen-Agent, kódolóügynök-munkához pedig a Qwen Code használatát ajánlja. Határozza meg az engedélyezett műveleteket, elérhető bizonyítékokat és teljesítési feltételeket. A kapcsolódó eszközök műveleteket hajtanak végre és eredményeket adnak vissza; a modell e visszajelzést használja elemzésében. A javasolt parancs, lekérdezés vagy javítás különbözzön az alkalmazás által ténylegesen befejezett művelettől.
Rendkívül hosszú kontextus és videó
A gyártó bővítése YaRN-t használ a modellváltozat váltakozó pozicionális beállításaival. A négyszeres szorzó a hozzávetőleg egymillió tokenes folyamatot célozza, 524,288 tokenes terheléshez pedig kétszeres javasolt. A statikus skálázás befolyásolhatja a rövidebb szövegek teljesítményét, ezért a nagyobb kontextus tényleges szükségletéhez kell igazítani. A bemenet, reprezentált vizuális anyag, előzmények, következtetés és végső válasz mind a beállított szekvenciakeretet használja.
A támogatott videós példa alapértelmezés szerint másodpercenként két képkockát használ. Órás anyaghoz a gyártó a feldolgozó keretének körülbelül 224K videótokenre növelését ajánlja a sűrűbb mintavételhez. Ez beállításfüggő recept, nem jelent általános garanciát a média időtartamára, a teljes felidézésre vagy az időbélyegek pontosságára.
Generálási útmutató és érdemi korlátok
A Best Practices több beállításkészletet különböztet meg. Általános gondolkodáshoz temperature 1.0, top_p 0.95, top_k 20, min_p 0, jelenléti büntetés 1.5 és ismétlési büntetés 1.0 tartozik. Pontos kódoláshoz temperature 0.6 és nulla jelenléti büntetés használatos. Általános közvetlen válaszokhoz temperature 0.7, top_p 0.8 és jelenléti büntetés 1.5 tartozik; a top_k 20, a min_p 0, az ismétlési büntetés 1.0. Közvetlenválasz-módban végzett következtetéshez a Best Practices külön temperature 1.0, top_p 1.0, top_k 40 és jelenléti büntetés 2.0 értékeket ajánl. A nagyobb jelenléti büntetések nyelvek keveredését vagy enyhe minőségromlást okozhatnak.
Az ajánlott generálási keret a legtöbb lekérdezéshez 32,768 token, szokatlanul összetett matematikai vagy programozási munkához 81,920 token; ezek nem külön igazolt, szigorú kimeneti felső határok. Határozza meg a kért formátumot, őrizze meg a forrásazonosítókat, és a számításokat, kinyert értékeket és javasolt kódot ellenőrizze az eredeti bizonyítékokkal. A hasznos eredmény teljes szöveges munkatermék, amelynek feltételezései és alátámasztó anyagai láthatók maradnak.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen/qwen3.5-122b-a10b | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.00058 / 1K token Kimenet · Kimeneti tokenek $0.00458 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.00058 / 1K token Kimenet · Kimeneti tokenek $0.00458 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Használja a fent látható metódusútvonalakat.
qwen/qwen3.5-122b-a10bA Qwen3.5-122B-A10B a Qwen vizuális-nyelvi szakértőkeverékes modellje, összesen 122 milliárd és 10 milliárd aktivált paraméterrel. Szöveget, képeket és videót fogad következtetési, kódolási és ügynökfeladatokhoz, és szöveget ad vissza választható gondolkodással, natív 262,144 tokenes kontextussal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen3.5 fő jellemzői: a 122B-A10B szakértős modell
A Qwen3.5-122B-A10B utótanított vizuális-nyelvi modell közös szöveges és vizuális feladatokhoz. Szöveget, képeket és videót fogad, és szöveget ad vissza, köztük magyarázatokat, kódjavaslatokat és kért dokumentum-munkatermékeket. A család korai szöveg–látás fúzióval és fokozatosan összetettebb feladatokon végzett megerősítéses tanulással épül, fejlesztve a következtetést, kódolást, ügynököket és vizuális megértést. 201 nyelv és nyelvjárás lefedettségét írja le, nem sugallva azonos megbízhatóságot minden nyelvhez vagy szakterülethez.
Egy hasznos feladat műszaki specifikációt, ábrákat és releváns kódot kombinálhat, a komponensek magyarázatát és megvalósítási javaslatot kérve a modelltől. Egy dokumentumelemzési feladat összehasonlítást kérhet alátámasztó szakasz- vagy oldalhivatkozásokkal.
A modell áttekintése
A ritka szakértőkeverékes modellváltozat összesen 122 milliárd paraméterből tízmilliárdot aktivál. 48 nyelvimodell-rétege van, három Gated DeltaNet szakértői rétegből és azokat követő egy kapuzott figyelmi szakértői rétegből álló csoportokkal. A gyártó 256 útválasztott szakértőt sorol fel, amelyek közül nyolcat választ ki egy közös szakértővel együtt. Képkódoló és többtokenes előrejelzés is része a modellnek. Teljes és aktivált paraméterszáma eltérő jelentésű; az aktivált szám nem a teljes modellváltozat mérete.
Ez a sűrű Qwen3.5-27B, a ritka Qwen3.5-35B-A3B és a későbbi modellgenerációktól különálló kiadás. Pusztán méretéből ne következtessen általános teljesítmény- vagy késleltetési rangsorra. A natív kontextus 262,144 token, a dokumentált bővítés beállítással 1,010,000 tokenig ér el. A Qwen összetett gondolkodáshoz lehetőség szerint legalább 128K kontextus megtartását javasolja, elismerve, hogy a memóriaterhelés kisebb ablakot tehet szükségessé.
Közös szöveges és vizuális bizonyítékok előkészítése
Őrizze meg az ábrafeliratokat, diagramtengelyeket, táblázatfejléceket és mértékegységeket. Határozza meg, hogy az eredmény kapcsolatot magyarázzon, megnevezett mezőket nyerjen ki vagy kódot javasoljon. Ha több forrás fontos, címkézze őket, és azonos azonosítók szerint rendezett kimenetet kérjen. Válassza el a látható tényeket a feltételezésektől, hogy a felülvizsgáló visszakövethesse a következtetést a megadott anyagig.
Kódolási kérésnél azonosítsa a kívánt működést, a releváns forrást és a problémát bemutató bemenetet. Kérjen szerkeszthető javítást az érintett feltételek és ellenőrzések magyarázatával. Videónál őrizze meg az eseménysort és az időzítést, és konkrét kérdést adjon meg általános összefoglaló helyett. A modell szöveges eredménye megvizsgálandó munkapéldány; a vizuális bemeneti képesség nem jelent kép-, videó- vagy beszédgenerálást.
Gondolkodás és előzmények
A gondolkodás alapértelmezés szerint be van kapcsolva, következtetéssel a végső válasz előtt. A gyártó enable_thinking beállítása közvetlen válaszhoz kikapcsolhatja. A régi /think és /nothink szöveges kapcsolók hivatalosan nem támogatottak. A Qwen3.5 a korábbi asszisztensüzenetekben a végső válaszok gondolkodási tartalom nélküli megtartását ajánlja. Ezt nem szabad későbbi Qwen-generációk előzménymegőrzési opcióival helyettesíteni pusztán a közös családnév miatt.
A végső eredményt tegye könnyen megtalálhatóvá, például meghatározott válaszmezőként, elhatárolt értékként vagy külön kód-munkatermékként. A közvetlen válasz is ellenőrzést igényel, a hosszabb következtetés pedig csak akkor hasznos, ha lépései ellenőrizhető következtetést támasztanak alá.
Ügynökjellegű használat
A Qwen dokumentálja az eszközhívást, és beállított vagy MCP-n keresztül csatlakozó eszközökhöz a Qwen-Agent, kódolóügynök-munkához pedig a Qwen Code használatát ajánlja. Határozza meg az engedélyezett műveleteket, elérhető bizonyítékokat és teljesítési feltételeket. A kapcsolódó eszközök műveleteket hajtanak végre és eredményeket adnak vissza; a modell e visszajelzést használja elemzésében. A javasolt parancs, lekérdezés vagy javítás különbözzön az alkalmazás által ténylegesen befejezett művelettől.
Rendkívül hosszú kontextus és videó
A gyártó bővítése YaRN-t használ a modellváltozat váltakozó pozicionális beállításaival. A négyszeres szorzó a hozzávetőleg egymillió tokenes folyamatot célozza, 524,288 tokenes terheléshez pedig kétszeres javasolt. A statikus skálázás befolyásolhatja a rövidebb szövegek teljesítményét, ezért a nagyobb kontextus tényleges szükségletéhez kell igazítani. A bemenet, reprezentált vizuális anyag, előzmények, következtetés és végső válasz mind a beállított szekvenciakeretet használja.
A támogatott videós példa alapértelmezés szerint másodpercenként két képkockát használ. Órás anyaghoz a gyártó a feldolgozó keretének körülbelül 224K videótokenre növelését ajánlja a sűrűbb mintavételhez. Ez beállításfüggő recept, nem jelent általános garanciát a média időtartamára, a teljes felidézésre vagy az időbélyegek pontosságára.
Generálási útmutató és érdemi korlátok
A Best Practices több beállításkészletet különböztet meg. Általános gondolkodáshoz temperature 1.0, top_p 0.95, top_k 20, min_p 0, jelenléti büntetés 1.5 és ismétlési büntetés 1.0 tartozik. Pontos kódoláshoz temperature 0.6 és nulla jelenléti büntetés használatos. Általános közvetlen válaszokhoz temperature 0.7, top_p 0.8 és jelenléti büntetés 1.5 tartozik; a top_k 20, a min_p 0, az ismétlési büntetés 1.0. Közvetlenválasz-módban végzett következtetéshez a Best Practices külön temperature 1.0, top_p 1.0, top_k 40 és jelenléti büntetés 2.0 értékeket ajánl. A nagyobb jelenléti büntetések nyelvek keveredését vagy enyhe minőségromlást okozhatnak.
Az ajánlott generálási keret a legtöbb lekérdezéshez 32,768 token, szokatlanul összetett matematikai vagy programozási munkához 81,920 token; ezek nem külön igazolt, szigorú kimeneti felső határok. Határozza meg a kért formátumot, őrizze meg a forrásazonosítókat, és a számításokat, kinyert értékeket és javasolt kódot ellenőrizze az eredeti bizonyítékokkal. A hasznos eredmény teljes szöveges munkatermék, amelynek feltételezései és alátámasztó anyagai láthatók maradnak.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen/qwen3.5-122b-a10b | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.00058 / 1K token Kimenet · Kimeneti tokenek $0.00458 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.00058 / 1K token Kimenet · Kimeneti tokenek $0.00458 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.