A Qwen3.6 fő jellemzői egy sűrű 27B modellben
A Qwen3.6-27B a Qwen3.5-27B modellből fejlesztett sűrű vizuális-nyelvi modell. A gyártó erősebb kódolóügynököket és STEM-következtetést emel ki, javulással a térbeli megértés, objektumlokalizáció és -észlelés, dokumentum-OCR, videómegértés és vizuális ügynökök terén. Szöveget, képeket és videót fogad, és szöveget generál. Ez a pontos sűrű kiadás különbözik a Qwen3.6-35B-A3B szakértőkeverékes modelltől, még ha generációjuk és feladatközpontúságuk közös is.
STEM-ábrához adja meg a teljes feladatot, és őrizze meg a feliratokat és mértékegységeket. Kérje a modelltől a közvetlenül látható tények és feltételezések elkülönítését, majd egyértelmű végső választ tartalmazó magyarázatot. Dokumentumnál adja meg a kinyerendő mezőket vagy állításokat, és kérjen alátámasztó oldalhivatkozásokat. Kódolóügynökhöz adja meg a releváns modulokat, a kívánt működést és a kapcsolódó folyamat tényleges visszajelzéseit. Ezek a példák a dokumentált képességeket alkalmazzák; nem állítanak pontos adatkinyerést vagy sikeres végrehajtást.
A modell áttekintése
A modellnek 27 milliárd paramétere és 64 nyelvimodell-rétege van. Hibrid felépítésében három Gated DeltaNet réteget egy kapuzott figyelmi réteg követ ismétlődően, ritka szakértők helyett sűrű előrecsatolt hálózatokkal. A kép- és videómegértést képkódoló biztosítja, a tanítás része a többtokenes előrejelzés. Ezek az architekturális tények a modellváltozatot azonosítják, nem rangsorolják minden alkalmazás minőségét vagy válaszidejét.
A natív kontextus 262,144 token, és beállítással 1,010,000 tokenre bővíthető. A Qwen összetett következtetéshez lehetőség szerint legalább 128K kontextus megtartását javasolja, elismerve, hogy a memóriaterhelés kisebb beállítást tehet szükségessé. A reprezentált képek és videó, a szöveg, a korábbi üzenetek, a gondolkodás és a válasz mind helyet foglalnak a beállított szekvenciában.
Bemenetek és módok
A gyártó szöveges, képi és videós kérdéseket mutat. A gondolkodás alapértelmezés szerint be van kapcsolva, a végső válasz előtt következtetési blokkal. Az enable_thinking közvetlen válaszhoz kikapcsolhatja ezt a működést. A Qwen3.6 hivatalosan nem támogatja a régebbi /think és /nothink promptkapcsolókat. A magyarázat után tegye könnyen azonosíthatóvá a kért eredményt, például a kiszámított értéket, a kinyert mezők táblázatát vagy a szerkeszthető kódjavítást.
A videós példa a támogatott folyamatban alapértelmezés szerint másodpercenként két képkockát használ. Órás videónál a gyártó a feldolgozó keretének növelését ajánlja a sűrűbb mintavételhez, egy hozzávetőleg 224K videótokennek megfelelő példával. Több vizuális részlet több kontextus- és feldolgozási keretet igényel. Ezek a beállítások nem igazolnak minden felületre érvényes, feltétel nélküli videóhosszt vagy pontos eseményidőbélyeg-meghatározást.
Korábbi gondolkodás
Az alapértelmezett sablon a legutóbbi felhasználói üzenethez kapcsolódó gondolkodást tartja meg. A preserve_thinking opció ezenfelül a korábbi üzenetek következtetéseit is megőrizheti; a gyártó kifejezett példája true értékkel engedélyezi. Ez támogathatja az iteratív fejlesztést, ahol a korábbi döntések új eszközvisszajelzés után is relevánsak. Eltér a Qwen3.8 dokumentált alapértelmezett megőrzésétől és a Qwen3.5 kizárólag végső válaszokat megtartó előzménykezelési útmutatásától. Kövesse a pontos modellváltozat formátumát, ne helyettesítse észrevétlenül egy másik generáció előzményszabályaival.
Ügynökjellegű használat
A Qwen dokumentálja az eszközhívást, és beállított vagy MCP-n keresztül csatlakozó eszközökhöz a Qwen-Agent használatát ajánlja, kódolóügynök-munkához pedig a Qwen Code-ot is. Határozza meg az engedélyezett műveleteket és a teljesítés megfigyelhető feltételeit. Egy eszköz megvizsgálhatja a megadott anyagot vagy valódi ellenőrzési eredményt adhat vissza, amely után a modell módosíthatja elemzését. A modell pusztán ügynökspecializációja révén nem kap hozzáférést fájlrendszerhez, aktuális forrásokhoz vagy végrehajtási környezethez.
Rendkívül hosszú bemenet
A bővítési recept YaRN-t használ e modell váltakozó pozicionális beállításaival. A négyszeres szorzó a hozzávetőleg egymillió tokenes folyamatot célozza; 524,288 tokenes terheléshez kétszeres szorzó javasolt. A statikus skálázás ronthatja a rövidebb szövegek teljesítményét, ezért a hosszú kontextus tényleges szükségletéhez kell igazítani. Az oldalakat, függvényeket és dokumentumhatárokat címkézze, majd kérjen olyan következtetéseket, amelyek azonosítják az alátámasztó bizonyítékokat.
Generálási ajánlások és korlátok
A kártya Best Practices része általános gondolkodáshoz temperature 1.0, top_p 0.95, top_k 20, min_p 0, jelenléti büntetés 0 és ismétlési büntetés 1.0 értékeket ajánl. Pontos kódoláshoz a temperature 0.6 lesz. Közvetlen válaszokhoz temperature 0.7, top_p 0.8 és jelenléti büntetés 1.5 ajánlott, a többi érték változatlan. A gyártó figyelmeztet, hogy a nagyobb jelenléti büntetések nyelvek keveredését vagy enyhe minőségromlást okozhatnak.
Az ajánlott generálási keret a legtöbb kérdéshez 32,768 token, szokatlanul nehéz matematikai vagy programozási munkához 81,920 token. Ezek nem külön igazolt, szigorú felső határok. Határozza meg a végső válasz formátumát, és vesse össze a kinyert szöveget, térbeli következtetéseket, számításokat és javasolt kódot a forrással. A nagy kontextus és a megőrzött következtetések segítik a bizonyítékok továbbvitelét a feladat során; a hasznos eredmény a felülvizsgálható munkatermék.
", "aboutText": "A Qwen3.6 fő jellemzői egy sűrű 27B modellben\n\nA Qwen3.6-27B a Qwen3.5-27B modellből fejlesztett sűrű vizuális-nyelvi modell. A gyártó erősebb kódolóügynököket és STEM-következtetést emel ki, javulással a térbeli megértés, objektumlokalizáció és -észlelés, dokumentum-OCR, videómegértés és vizuális ügynökök terén. Szöveget, képeket és videót fogad, és szöveget generál. Ez a pontos sűrű kiadás különbözik a Qwen3.6-35B-A3B szakértőkeverékes modelltől, még ha generációjuk és feladatközpontúságuk közös is.\n\nSTEM-ábrához adja meg a teljes feladatot, és őrizze meg a feliratokat és mértékegységeket. Kérje a modelltől a közvetlenül látható tények és feltételezések elkülönítését, majd egyértelmű végső választ tartalmazó magyarázatot. Dokumentumnál adja meg a kinyerendő mezőket vagy állításokat, és kérjen alátámasztó oldalhivatkozásokat. Kódolóügynökhöz adja meg a releváns modulokat, a kívánt működést és a kapcsolódó folyamat tényleges visszajelzéseit. Ezek a példák a dokumentált képességeket alkalmazzák; nem állítanak pontos adatkinyerést vagy sikeres végrehajtást.\n\nA modell áttekintése\n\nA modellnek 27 milliárd paramétere és 64 nyelvimodell-rétege van. Hibrid felépítésében három Gated DeltaNet réteget egy kapuzott figyelmi réteg követ ismétlődően, ritka szakértők helyett sűrű előrecsatolt hálózatokkal. A kép- és videómegértést képkódoló biztosítja, a tanítás része a többtokenes előrejelzés. Ezek az architekturális tények a modellváltozatot azonosítják, nem rangsorolják minden alkalmazás minőségét vagy válaszidejét.\n\nA natív kontextus 262,144 token, és beállítással 1,010,000 tokenre bővíthető. A Qwen összetett következtetéshez lehetőség szerint legalább 128K kontextus megtartását javasolja, elismerve, hogy a memóriaterhelés kisebb beállítást tehet szükségessé. A reprezentált képek és videó, a szöveg, a korábbi üzenetek, a gondolkodás és a válasz mind helyet foglalnak a beállított szekvenciában.\n\nBemenetek és módok\n\nA gyártó szöveges, képi és videós kérdéseket mutat. A gondolkodás alapértelmezés szerint be van kapcsolva, a végső válasz előtt következtetési blokkal. Az enable_thinking közvetlen válaszhoz kikapcsolhatja ezt a működést. A Qwen3.6 hivatalosan nem támogatja a régebbi /think és /nothink promptkapcsolókat. A magyarázat után tegye könnyen azonosíthatóvá a kért eredményt, például a kiszámított értéket, a kinyert mezők táblázatát vagy a szerkeszthető kódjavítást.\n\nA videós példa a támogatott folyamatban alapértelmezés szerint másodpercenként két képkockát használ. Órás videónál a gyártó a feldolgozó keretének növelését ajánlja a sűrűbb mintavételhez, egy hozzávetőleg 224K videótokennek megfelelő példával. Több vizuális részlet több kontextus- és feldolgozási keretet igényel. Ezek a beállítások nem igazolnak minden felületre érvényes, feltétel nélküli videóhosszt vagy pontos eseményidőbélyeg-meghatározást.\n\nKorábbi gondolkodás\n\nAz alapértelmezett sablon a legutóbbi felhasználói üzenethez kapcsolódó gondolkodást tartja meg. A preserve_thinking opció ezenfelül a korábbi üzenetek következtetéseit is megőrizheti; a gyártó kifejezett példája true értékkel engedélyezi. Ez támogathatja az iteratív fejlesztést, ahol a korábbi döntések új eszközvisszajelzés után is relevánsak. Eltér a Qwen3.8 dokumentált alapértelmezett megőrzésétől és a Qwen3.5 kizárólag végső válaszokat megtartó előzménykezelési útmutatásától. Kövesse a pontos modellváltozat formátumát, ne helyettesítse észrevétlenül egy másik generáció előzményszabályaival.\n\nÜgynökjellegű használat\n\nA Qwen dokumentálja az eszközhívást, és beállított vagy MCP-n keresztül csatlakozó eszközökhöz a Qwen-Agent használatát ajánlja, kódolóügynök-munkához pedig a Qwen Code-ot is. Határozza meg az engedélyezett műveleteket és a teljesítés megfigyelhető feltételeit. Egy eszköz megvizsgálhatja a megadott anyagot vagy valódi ellenőrzési eredményt adhat vissza, amely után a modell módosíthatja elemzését. A modell pusztán ügynökspecializációja révén nem kap hozzáférést fájlrendszerhez, aktuális forrásokhoz vagy végrehajtási környezethez.\n\nRendkívül hosszú bemenet\n\nA bővítési recept YaRN-t használ e modell váltakozó pozicionális beállításaival. A négyszeres szorzó a hozzávetőleg egymillió tokenes folyamatot célozza; 524,288 tokenes terheléshez kétszeres szorzó javasolt. A statikus skálázás ronthatja a rövidebb szövegek teljesítményét, ezért a hosszú kontextus tényleges szükségletéhez kell igazítani. Az oldalakat, függvényeket és dokumentumhatárokat címkézze, majd kérjen olyan következtetéseket, amelyek azonosítják az alátámasztó bizonyítékokat.\n\nGenerálási ajánlások és korlátok\n\nA kártya Best Practices része általános gondolkodáshoz temperature 1.0, top_p 0.95, top_k 20, min_p 0, jelenléti büntetés 0 és ismétlési büntetés 1.0 értékeket ajánl. Pontos kódoláshoz a temperature 0.6 lesz. Közvetlen válaszokhoz temperature 0.7, top_p 0.8 és jelenléti büntetés 1.5 ajánlott, a többi érték változatlan. A gyártó figyelmeztet, hogy a nagyobb jelenléti büntetések nyelvek keveredését vagy enyhe minőségromlást okozhatnak.\n\nAz ajánlott generálási keret a legtöbb kérdéshez 32,768 token, szokatlanul nehéz matematikai vagy programozási munkához 81,920 token. Ezek nem külön igazolt, szigorú felső határok. Határozza meg a végső válasz formátumát, és vesse össze a kinyert szöveget, térbeli következtetéseket, számításokat és javasolt kódot a forrással. A nagy kontextus és a megőrzött következtetések segítik a bizonyítékok továbbvitelét a feladat során; a hasznos eredmény a felülvizsgálható munkatermék.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bA Qwen3.6-27B a Qwen sűrű vizuális-nyelvi modellje kódoláshoz, STEM-következtetéshez és vizuális elemzéshez. Szöveget, képeket és videót fogad, és szöveget ad vissza, választható gondolkodással, a korábbi következtetések opcionális megőrzésével és 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 Qwen3.6 fő jellemzői egy sűrű 27B modellben
A Qwen3.6-27B a Qwen3.5-27B modellből fejlesztett sűrű vizuális-nyelvi modell. A gyártó erősebb kódolóügynököket és STEM-következtetést emel ki, javulással a térbeli megértés, objektumlokalizáció és -észlelés, dokumentum-OCR, videómegértés és vizuális ügynökök terén. Szöveget, képeket és videót fogad, és szöveget generál. Ez a pontos sűrű kiadás különbözik a Qwen3.6-35B-A3B szakértőkeverékes modelltől, még ha generációjuk és feladatközpontúságuk közös is.
STEM-ábrához adja meg a teljes feladatot, és őrizze meg a feliratokat és mértékegységeket. Kérje a modelltől a közvetlenül látható tények és feltételezések elkülönítését, majd egyértelmű végső választ tartalmazó magyarázatot. Dokumentumnál adja meg a kinyerendő mezőket vagy állításokat, és kérjen alátámasztó oldalhivatkozásokat. Kódolóügynökhöz adja meg a releváns modulokat, a kívánt működést és a kapcsolódó folyamat tényleges visszajelzéseit. Ezek a példák a dokumentált képességeket alkalmazzák; nem állítanak pontos adatkinyerést vagy sikeres végrehajtást.
A modell áttekintése
A modellnek 27 milliárd paramétere és 64 nyelvimodell-rétege van. Hibrid felépítésében három Gated DeltaNet réteget egy kapuzott figyelmi réteg követ ismétlődően, ritka szakértők helyett sűrű előrecsatolt hálózatokkal. A kép- és videómegértést képkódoló biztosítja, a tanítás része a többtokenes előrejelzés. Ezek az architekturális tények a modellváltozatot azonosítják, nem rangsorolják minden alkalmazás minőségét vagy válaszidejét.
A natív kontextus 262,144 token, és beállítással 1,010,000 tokenre bővíthető. A Qwen összetett következtetéshez lehetőség szerint legalább 128K kontextus megtartását javasolja, elismerve, hogy a memóriaterhelés kisebb beállítást tehet szükségessé. A reprezentált képek és videó, a szöveg, a korábbi üzenetek, a gondolkodás és a válasz mind helyet foglalnak a beállított szekvenciában.
Bemenetek és módok
A gyártó szöveges, képi és videós kérdéseket mutat. A gondolkodás alapértelmezés szerint be van kapcsolva, a végső válasz előtt következtetési blokkal. Az enable_thinking közvetlen válaszhoz kikapcsolhatja ezt a működést. A Qwen3.6 hivatalosan nem támogatja a régebbi /think és /nothink promptkapcsolókat. A magyarázat után tegye könnyen azonosíthatóvá a kért eredményt, például a kiszámított értéket, a kinyert mezők táblázatát vagy a szerkeszthető kódjavítást.
A videós példa a támogatott folyamatban alapértelmezés szerint másodpercenként két képkockát használ. Órás videónál a gyártó a feldolgozó keretének növelését ajánlja a sűrűbb mintavételhez, egy hozzávetőleg 224K videótokennek megfelelő példával. Több vizuális részlet több kontextus- és feldolgozási keretet igényel. Ezek a beállítások nem igazolnak minden felületre érvényes, feltétel nélküli videóhosszt vagy pontos eseményidőbélyeg-meghatározást.
Korábbi gondolkodás
Az alapértelmezett sablon a legutóbbi felhasználói üzenethez kapcsolódó gondolkodást tartja meg. A preserve_thinking opció ezenfelül a korábbi üzenetek következtetéseit is megőrizheti; a gyártó kifejezett példája true értékkel engedélyezi. Ez támogathatja az iteratív fejlesztést, ahol a korábbi döntések új eszközvisszajelzés után is relevánsak. Eltér a Qwen3.8 dokumentált alapértelmezett megőrzésétől és a Qwen3.5 kizárólag végső válaszokat megtartó előzménykezelési útmutatásától. Kövesse a pontos modellváltozat formátumát, ne helyettesítse észrevétlenül egy másik generáció előzményszabályaival.
Ügynökjellegű használat
A Qwen dokumentálja az eszközhívást, és beállított vagy MCP-n keresztül csatlakozó eszközökhöz a Qwen-Agent használatát ajánlja, kódolóügynök-munkához pedig a Qwen Code-ot is. Határozza meg az engedélyezett műveleteket és a teljesítés megfigyelhető feltételeit. Egy eszköz megvizsgálhatja a megadott anyagot vagy valódi ellenőrzési eredményt adhat vissza, amely után a modell módosíthatja elemzését. A modell pusztán ügynökspecializációja révén nem kap hozzáférést fájlrendszerhez, aktuális forrásokhoz vagy végrehajtási környezethez.
Rendkívül hosszú bemenet
A bővítési recept YaRN-t használ e modell váltakozó pozicionális beállításaival. A négyszeres szorzó a hozzávetőleg egymillió tokenes folyamatot célozza; 524,288 tokenes terheléshez kétszeres szorzó javasolt. A statikus skálázás ronthatja a rövidebb szövegek teljesítményét, ezért a hosszú kontextus tényleges szükségletéhez kell igazítani. Az oldalakat, függvényeket és dokumentumhatárokat címkézze, majd kérjen olyan következtetéseket, amelyek azonosítják az alátámasztó bizonyítékokat.
Generálási ajánlások és korlátok
A kártya Best Practices része általános gondolkodáshoz temperature 1.0, top_p 0.95, top_k 20, min_p 0, jelenléti büntetés 0 és ismétlési büntetés 1.0 értékeket ajánl. Pontos kódoláshoz a temperature 0.6 lesz. Közvetlen válaszokhoz temperature 0.7, top_p 0.8 és jelenléti büntetés 1.5 ajánlott, a többi érték változatlan. A gyártó figyelmeztet, hogy a nagyobb jelenléti büntetések nyelvek keveredését vagy enyhe minőségromlást okozhatnak.
Az ajánlott generálási keret a legtöbb kérdéshez 32,768 token, szokatlanul nehéz matematikai vagy programozási munkához 81,920 token. Ezek nem külön igazolt, szigorú felső határok. Határozza meg a végső válasz formátumát, és vesse össze a kinyert szöveget, térbeli következtetéseket, számításokat és javasolt kódot a forrással. A nagy kontextus és a megőrzött következtetések segítik a bizonyítékok továbbvitelét a feladat során; a hasznos eredmény a felülvizsgálható munkatermék.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen/qwen3.6-27b | 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 $0.0009 / 1K token Kimenet · Kimeneti tokenek $0.0054 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 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 $0.0009 / 1K token Kimenet · Kimeneti tokenek $0.0054 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.6-27b
Használja a fent látható metódusútvonalakat.
qwen/qwen3.6-27bA Qwen3.6-27B a Qwen sűrű vizuális-nyelvi modellje kódoláshoz, STEM-következtetéshez és vizuális elemzéshez. Szöveget, képeket és videót fogad, és szöveget ad vissza, választható gondolkodással, a korábbi következtetések opcionális megőrzésével és 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 Qwen3.6 fő jellemzői egy sűrű 27B modellben
A Qwen3.6-27B a Qwen3.5-27B modellből fejlesztett sűrű vizuális-nyelvi modell. A gyártó erősebb kódolóügynököket és STEM-következtetést emel ki, javulással a térbeli megértés, objektumlokalizáció és -észlelés, dokumentum-OCR, videómegértés és vizuális ügynökök terén. Szöveget, képeket és videót fogad, és szöveget generál. Ez a pontos sűrű kiadás különbözik a Qwen3.6-35B-A3B szakértőkeverékes modelltől, még ha generációjuk és feladatközpontúságuk közös is.
STEM-ábrához adja meg a teljes feladatot, és őrizze meg a feliratokat és mértékegységeket. Kérje a modelltől a közvetlenül látható tények és feltételezések elkülönítését, majd egyértelmű végső választ tartalmazó magyarázatot. Dokumentumnál adja meg a kinyerendő mezőket vagy állításokat, és kérjen alátámasztó oldalhivatkozásokat. Kódolóügynökhöz adja meg a releváns modulokat, a kívánt működést és a kapcsolódó folyamat tényleges visszajelzéseit. Ezek a példák a dokumentált képességeket alkalmazzák; nem állítanak pontos adatkinyerést vagy sikeres végrehajtást.
A modell áttekintése
A modellnek 27 milliárd paramétere és 64 nyelvimodell-rétege van. Hibrid felépítésében három Gated DeltaNet réteget egy kapuzott figyelmi réteg követ ismétlődően, ritka szakértők helyett sűrű előrecsatolt hálózatokkal. A kép- és videómegértést képkódoló biztosítja, a tanítás része a többtokenes előrejelzés. Ezek az architekturális tények a modellváltozatot azonosítják, nem rangsorolják minden alkalmazás minőségét vagy válaszidejét.
A natív kontextus 262,144 token, és beállítással 1,010,000 tokenre bővíthető. A Qwen összetett következtetéshez lehetőség szerint legalább 128K kontextus megtartását javasolja, elismerve, hogy a memóriaterhelés kisebb beállítást tehet szükségessé. A reprezentált képek és videó, a szöveg, a korábbi üzenetek, a gondolkodás és a válasz mind helyet foglalnak a beállított szekvenciában.
Bemenetek és módok
A gyártó szöveges, képi és videós kérdéseket mutat. A gondolkodás alapértelmezés szerint be van kapcsolva, a végső válasz előtt következtetési blokkal. Az enable_thinking közvetlen válaszhoz kikapcsolhatja ezt a működést. A Qwen3.6 hivatalosan nem támogatja a régebbi /think és /nothink promptkapcsolókat. A magyarázat után tegye könnyen azonosíthatóvá a kért eredményt, például a kiszámított értéket, a kinyert mezők táblázatát vagy a szerkeszthető kódjavítást.
A videós példa a támogatott folyamatban alapértelmezés szerint másodpercenként két képkockát használ. Órás videónál a gyártó a feldolgozó keretének növelését ajánlja a sűrűbb mintavételhez, egy hozzávetőleg 224K videótokennek megfelelő példával. Több vizuális részlet több kontextus- és feldolgozási keretet igényel. Ezek a beállítások nem igazolnak minden felületre érvényes, feltétel nélküli videóhosszt vagy pontos eseményidőbélyeg-meghatározást.
Korábbi gondolkodás
Az alapértelmezett sablon a legutóbbi felhasználói üzenethez kapcsolódó gondolkodást tartja meg. A preserve_thinking opció ezenfelül a korábbi üzenetek következtetéseit is megőrizheti; a gyártó kifejezett példája true értékkel engedélyezi. Ez támogathatja az iteratív fejlesztést, ahol a korábbi döntések új eszközvisszajelzés után is relevánsak. Eltér a Qwen3.8 dokumentált alapértelmezett megőrzésétől és a Qwen3.5 kizárólag végső válaszokat megtartó előzménykezelési útmutatásától. Kövesse a pontos modellváltozat formátumát, ne helyettesítse észrevétlenül egy másik generáció előzményszabályaival.
Ügynökjellegű használat
A Qwen dokumentálja az eszközhívást, és beállított vagy MCP-n keresztül csatlakozó eszközökhöz a Qwen-Agent használatát ajánlja, kódolóügynök-munkához pedig a Qwen Code-ot is. Határozza meg az engedélyezett műveleteket és a teljesítés megfigyelhető feltételeit. Egy eszköz megvizsgálhatja a megadott anyagot vagy valódi ellenőrzési eredményt adhat vissza, amely után a modell módosíthatja elemzését. A modell pusztán ügynökspecializációja révén nem kap hozzáférést fájlrendszerhez, aktuális forrásokhoz vagy végrehajtási környezethez.
Rendkívül hosszú bemenet
A bővítési recept YaRN-t használ e modell váltakozó pozicionális beállításaival. A négyszeres szorzó a hozzávetőleg egymillió tokenes folyamatot célozza; 524,288 tokenes terheléshez kétszeres szorzó javasolt. A statikus skálázás ronthatja a rövidebb szövegek teljesítményét, ezért a hosszú kontextus tényleges szükségletéhez kell igazítani. Az oldalakat, függvényeket és dokumentumhatárokat címkézze, majd kérjen olyan következtetéseket, amelyek azonosítják az alátámasztó bizonyítékokat.
Generálási ajánlások és korlátok
A kártya Best Practices része általános gondolkodáshoz temperature 1.0, top_p 0.95, top_k 20, min_p 0, jelenléti büntetés 0 és ismétlési büntetés 1.0 értékeket ajánl. Pontos kódoláshoz a temperature 0.6 lesz. Közvetlen válaszokhoz temperature 0.7, top_p 0.8 és jelenléti büntetés 1.5 ajánlott, a többi érték változatlan. A gyártó figyelmeztet, hogy a nagyobb jelenléti büntetések nyelvek keveredését vagy enyhe minőségromlást okozhatnak.
Az ajánlott generálási keret a legtöbb kérdéshez 32,768 token, szokatlanul nehéz matematikai vagy programozási munkához 81,920 token. Ezek nem külön igazolt, szigorú felső határok. Határozza meg a végső válasz formátumát, és vesse össze a kinyert szöveget, térbeli következtetéseket, számításokat és javasolt kódot a forrással. A nagy kontextus és a megőrzött következtetések segítik a bizonyítékok továbbvitelét a feladat során; a hasznos eredmény a felülvizsgálható munkatermék.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen/qwen3.6-27b | 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 $0.0009 / 1K token Kimenet · Kimeneti tokenek $0.0054 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 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 $0.0009 / 1K token Kimenet · Kimeneti tokenek $0.0054 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.6-27b
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.