Keunggulan Qwen3.5: model expert 122B-A10B
Qwen3.5-122B-A10B adalah model visi-bahasa yang telah melalui pascapelatihan untuk tugas teks dan visual gabungan. Model ini menerima teks, gambar, dan video serta mengembalikan teks, termasuk penjelasan, usulan kode, dan artefak dokumen yang diminta. Keluarga ini dibangun melalui fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks, mengembangkan penalaran, pemrograman, agen, dan pemahaman visual. Keluarga ini menjelaskan cakupan 201 bahasa dan dialek, tanpa menyiratkan bahwa setiap bahasa atau domain memiliki keandalan yang identik.
Tugas yang berguna dapat menggabungkan spesifikasi teknis, diagram, dan kode yang relevan, lalu meminta model menjelaskan komponen dan mengembalikan usulan implementasi. Tugas analisis dokumen dapat meminta perbandingan dengan referensi bagian atau halaman pendukung.
Ikhtisar model
Checkpoint sparse mixture-of-experts ini memiliki total 122 miliar parameter dan mengaktifkan sepuluh miliar. Model ini memiliki 48 lapisan model bahasa, dengan kelompok tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Pembuatnya mencantumkan 256 routed expert, dengan pemilihan delapan routed expert bersama satu shared expert. Encoder visi dan prediksi multi-token merupakan bagian dari model. Jumlah total dan aktif memiliki makna yang berbeda; angka aktif bukan ukuran checkpoint lengkap.
Ini merupakan edisi berbeda dari Qwen3.5-27B dense, Qwen3.5-35B-A3B sparse, dan generasi model berikutnya. Jangan menyimpulkan peringkat kinerja atau latensi umum dari ukuran saja. Konteks native-nya adalah 262,144 token dan perluasan yang didokumentasikan mencapai 1,010,000 melalui konfigurasi. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk proses berpikir kompleks, sambil mengakui bahwa tekanan memori mungkin memerlukan jendela yang lebih kecil.
Menyiapkan bukti teks dan visual gabungan
Pertahankan label diagram, sumbu bagan, judul tabel, dan satuan. Nyatakan apakah hasil harus menjelaskan hubungan, mengekstrak kolom bernama, atau mengusulkan kode. Ketika beberapa sumber penting, beri label dan minta keluaran yang disusun menurut pengenal yang sama. Pisahkan fakta yang terlihat dari asumsi agar peninjau dapat menelusuri penalaran ke materi yang diberikan.
Untuk permintaan pemrograman, identifikasi perilaku yang dimaksud, sumber yang relevan, dan masukan yang menunjukkan masalah. Minta patch yang dapat diedit beserta penjelasan kondisi serta pemeriksaan yang terdampak. Untuk video, pertahankan urutan kejadian dan waktu serta tentukan pertanyaannya, alih-alih meminta ringkasan tanpa fokus. Hasil teks model merupakan artefak draf untuk diperiksa; kemampuan masukan visual tidak berarti pembuatan gambar, video, atau ucapan.
Berpikir dan riwayat
Berpikir diaktifkan secara bawaan, dengan penalaran sebelum jawaban akhir. Pengaturan enable_thinking dari pembuatnya dapat menonaktifkannya untuk respons langsung. Sakelar lunak /think dan /nothink yang lama tidak didukung secara resmi. Qwen3.5 merekomendasikan menyimpan jawaban akhir tanpa konten berpikir dalam pesan asisten historis. Ini tidak boleh diganti dengan opsi pemeliharaan historis generasi Qwen berikutnya hanya karena memiliki nama keluarga yang sama.
Buat hasil akhir mudah ditemukan, seperti kolom jawaban yang terdefinisi, nilai dengan pembatas, atau artefak kode terpisah. Jawaban langsung tetap perlu diperiksa, sedangkan penalaran lebih panjang berguna hanya ketika langkah-langkahnya mendukung kesimpulan yang dapat diverifikasi.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan agen pemrograman. Tetapkan tindakan yang diizinkan, bukti yang tersedia, dan kriteria penyelesaian. Alat terhubung menjalankan operasi dan mengembalikan hasil; model menggunakan umpan balik tersebut dalam analisisnya. Usulan perintah, kueri retrieval, atau patch harus tetap berbeda dari tindakan yang benar-benar diselesaikan aplikasi.
Konteks sangat panjang dan video
Perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token, dan dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks yang lebih besar. Masukan, visual yang direpresentasikan, riwayat, penalaran, dan respons akhir semuanya menggunakan anggaran urutan yang dikonfigurasi.
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Untuk materi berdurasi dalam hitungan jam, pembuatnya merekomendasikan peningkatan anggaran pemroses menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Itu merupakan resep yang bergantung pada konfigurasi, bukan jaminan durasi media, ingatan lengkap, atau presisi stempel waktu universal.
Panduan pembuatan keluaran dan batasan substantif
Best Practices merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0 untuk mode berpikir umum. Pemrograman presisi menggunakan temperature 0.6 dan presence penalty nol. Respons langsung umum menggunakan temperature 0.7, top_p 0.8, dan presence penalty 1.5; top_k adalah 20, min_p adalah 0, dan repetition penalty adalah 1.0. Penalaran dengan respons langsung memiliki preset terpisah: temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Presence penalty yang lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar kueri dan 81,920 untuk pekerjaan matematika atau pemrograman yang sangat kompleks; alokasi tersebut bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Tetapkan format yang diminta, pertahankan pengenal sumber, dan periksa perhitungan, nilai hasil ekstraksi, serta kode yang diusulkan terhadap bukti asli. Hasil yang berguna adalah artefak tekstual lengkap yang asumsi dan materi pendukungnya tetap terlihat.
", "aboutText": "Keunggulan Qwen3.5: model expert 122B-A10B\n\nQwen3.5-122B-A10B adalah model visi-bahasa yang telah melalui pascapelatihan untuk tugas teks dan visual gabungan. Model ini menerima teks, gambar, dan video serta mengembalikan teks, termasuk penjelasan, usulan kode, dan artefak dokumen yang diminta. Keluarga ini dibangun melalui fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks, mengembangkan penalaran, pemrograman, agen, dan pemahaman visual. Keluarga ini menjelaskan cakupan 201 bahasa dan dialek, tanpa menyiratkan bahwa setiap bahasa atau domain memiliki keandalan yang identik.\n\nTugas yang berguna dapat menggabungkan spesifikasi teknis, diagram, dan kode yang relevan, lalu meminta model menjelaskan komponen dan mengembalikan usulan implementasi. Tugas analisis dokumen dapat meminta perbandingan dengan referensi bagian atau halaman pendukung.\n\nIkhtisar model\n\nCheckpoint sparse mixture-of-experts ini memiliki total 122 miliar parameter dan mengaktifkan sepuluh miliar. Model ini memiliki 48 lapisan model bahasa, dengan kelompok tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Pembuatnya mencantumkan 256 routed expert, dengan pemilihan delapan routed expert bersama satu shared expert. Encoder visi dan prediksi multi-token merupakan bagian dari model. Jumlah total dan aktif memiliki makna yang berbeda; angka aktif bukan ukuran checkpoint lengkap.\n\nIni merupakan edisi berbeda dari Qwen3.5-27B dense, Qwen3.5-35B-A3B sparse, dan generasi model berikutnya. Jangan menyimpulkan peringkat kinerja atau latensi umum dari ukuran saja. Konteks native-nya adalah 262,144 token dan perluasan yang didokumentasikan mencapai 1,010,000 melalui konfigurasi. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk proses berpikir kompleks, sambil mengakui bahwa tekanan memori mungkin memerlukan jendela yang lebih kecil.\n\nMenyiapkan bukti teks dan visual gabungan\n\nPertahankan label diagram, sumbu bagan, judul tabel, dan satuan. Nyatakan apakah hasil harus menjelaskan hubungan, mengekstrak kolom bernama, atau mengusulkan kode. Ketika beberapa sumber penting, beri label dan minta keluaran yang disusun menurut pengenal yang sama. Pisahkan fakta yang terlihat dari asumsi agar peninjau dapat menelusuri penalaran ke materi yang diberikan.\n\nUntuk permintaan pemrograman, identifikasi perilaku yang dimaksud, sumber yang relevan, dan masukan yang menunjukkan masalah. Minta patch yang dapat diedit beserta penjelasan kondisi serta pemeriksaan yang terdampak. Untuk video, pertahankan urutan kejadian dan waktu serta tentukan pertanyaannya, alih-alih meminta ringkasan tanpa fokus. Hasil teks model merupakan artefak draf untuk diperiksa; kemampuan masukan visual tidak berarti pembuatan gambar, video, atau ucapan.\n\nBerpikir dan riwayat\n\nBerpikir diaktifkan secara bawaan, dengan penalaran sebelum jawaban akhir. Pengaturan enable_thinking dari pembuatnya dapat menonaktifkannya untuk respons langsung. Sakelar lunak /think dan /nothink yang lama tidak didukung secara resmi. Qwen3.5 merekomendasikan menyimpan jawaban akhir tanpa konten berpikir dalam pesan asisten historis. Ini tidak boleh diganti dengan opsi pemeliharaan historis generasi Qwen berikutnya hanya karena memiliki nama keluarga yang sama.\n\nBuat hasil akhir mudah ditemukan, seperti kolom jawaban yang terdefinisi, nilai dengan pembatas, atau artefak kode terpisah. Jawaban langsung tetap perlu diperiksa, sedangkan penalaran lebih panjang berguna hanya ketika langkah-langkahnya mendukung kesimpulan yang dapat diverifikasi.\n\nPenggunaan agen\n\nQwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan agen pemrograman. Tetapkan tindakan yang diizinkan, bukti yang tersedia, dan kriteria penyelesaian. Alat terhubung menjalankan operasi dan mengembalikan hasil; model menggunakan umpan balik tersebut dalam analisisnya. Usulan perintah, kueri retrieval, atau patch harus tetap berbeda dari tindakan yang benar-benar diselesaikan aplikasi.\n\nKonteks sangat panjang dan video\n\nPerluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token, dan dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks yang lebih besar. Masukan, visual yang direpresentasikan, riwayat, penalaran, dan respons akhir semuanya menggunakan anggaran urutan yang dikonfigurasi.\n\nContoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Untuk materi berdurasi dalam hitungan jam, pembuatnya merekomendasikan peningkatan anggaran pemroses menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Itu merupakan resep yang bergantung pada konfigurasi, bukan jaminan durasi media, ingatan lengkap, atau presisi stempel waktu universal.\n\nPanduan pembuatan keluaran dan batasan substantif\n\nBest Practices merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0 untuk mode berpikir umum. Pemrograman presisi menggunakan temperature 0.6 dan presence penalty nol. Respons langsung umum menggunakan temperature 0.7, top_p 0.8, dan presence penalty 1.5; top_k adalah 20, min_p adalah 0, dan repetition penalty adalah 1.0. Penalaran dengan respons langsung memiliki preset terpisah: temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Presence penalty yang lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.\n\nAlokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar kueri dan 81,920 untuk pekerjaan matematika atau pemrograman yang sangat kompleks; alokasi tersebut bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Tetapkan format yang diminta, pertahankan pengenal sumber, dan periksa perhitungan, nilai hasil ekstraksi, serta kode yang diusulkan terhadap bukti asli. Hasil yang berguna adalah artefak tekstual lengkap yang asumsi dan materi pendukungnya tetap terlihat.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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-a10bQwen3.5-122B-A10B adalah model visi-bahasa mixture-of-experts Qwen dengan total 122 miliar parameter dan 10 miliar yang diaktifkan. Model ini menerima teks, gambar, dan video untuk tugas penalaran, pemrograman, dan agen, mengembalikan teks dengan mode berpikir yang dapat dipilih serta konteks native 262,144 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.5: model expert 122B-A10B
Qwen3.5-122B-A10B adalah model visi-bahasa yang telah melalui pascapelatihan untuk tugas teks dan visual gabungan. Model ini menerima teks, gambar, dan video serta mengembalikan teks, termasuk penjelasan, usulan kode, dan artefak dokumen yang diminta. Keluarga ini dibangun melalui fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks, mengembangkan penalaran, pemrograman, agen, dan pemahaman visual. Keluarga ini menjelaskan cakupan 201 bahasa dan dialek, tanpa menyiratkan bahwa setiap bahasa atau domain memiliki keandalan yang identik.
Tugas yang berguna dapat menggabungkan spesifikasi teknis, diagram, dan kode yang relevan, lalu meminta model menjelaskan komponen dan mengembalikan usulan implementasi. Tugas analisis dokumen dapat meminta perbandingan dengan referensi bagian atau halaman pendukung.
Ikhtisar model
Checkpoint sparse mixture-of-experts ini memiliki total 122 miliar parameter dan mengaktifkan sepuluh miliar. Model ini memiliki 48 lapisan model bahasa, dengan kelompok tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Pembuatnya mencantumkan 256 routed expert, dengan pemilihan delapan routed expert bersama satu shared expert. Encoder visi dan prediksi multi-token merupakan bagian dari model. Jumlah total dan aktif memiliki makna yang berbeda; angka aktif bukan ukuran checkpoint lengkap.
Ini merupakan edisi berbeda dari Qwen3.5-27B dense, Qwen3.5-35B-A3B sparse, dan generasi model berikutnya. Jangan menyimpulkan peringkat kinerja atau latensi umum dari ukuran saja. Konteks native-nya adalah 262,144 token dan perluasan yang didokumentasikan mencapai 1,010,000 melalui konfigurasi. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk proses berpikir kompleks, sambil mengakui bahwa tekanan memori mungkin memerlukan jendela yang lebih kecil.
Menyiapkan bukti teks dan visual gabungan
Pertahankan label diagram, sumbu bagan, judul tabel, dan satuan. Nyatakan apakah hasil harus menjelaskan hubungan, mengekstrak kolom bernama, atau mengusulkan kode. Ketika beberapa sumber penting, beri label dan minta keluaran yang disusun menurut pengenal yang sama. Pisahkan fakta yang terlihat dari asumsi agar peninjau dapat menelusuri penalaran ke materi yang diberikan.
Untuk permintaan pemrograman, identifikasi perilaku yang dimaksud, sumber yang relevan, dan masukan yang menunjukkan masalah. Minta patch yang dapat diedit beserta penjelasan kondisi serta pemeriksaan yang terdampak. Untuk video, pertahankan urutan kejadian dan waktu serta tentukan pertanyaannya, alih-alih meminta ringkasan tanpa fokus. Hasil teks model merupakan artefak draf untuk diperiksa; kemampuan masukan visual tidak berarti pembuatan gambar, video, atau ucapan.
Berpikir dan riwayat
Berpikir diaktifkan secara bawaan, dengan penalaran sebelum jawaban akhir. Pengaturan enable_thinking dari pembuatnya dapat menonaktifkannya untuk respons langsung. Sakelar lunak /think dan /nothink yang lama tidak didukung secara resmi. Qwen3.5 merekomendasikan menyimpan jawaban akhir tanpa konten berpikir dalam pesan asisten historis. Ini tidak boleh diganti dengan opsi pemeliharaan historis generasi Qwen berikutnya hanya karena memiliki nama keluarga yang sama.
Buat hasil akhir mudah ditemukan, seperti kolom jawaban yang terdefinisi, nilai dengan pembatas, atau artefak kode terpisah. Jawaban langsung tetap perlu diperiksa, sedangkan penalaran lebih panjang berguna hanya ketika langkah-langkahnya mendukung kesimpulan yang dapat diverifikasi.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan agen pemrograman. Tetapkan tindakan yang diizinkan, bukti yang tersedia, dan kriteria penyelesaian. Alat terhubung menjalankan operasi dan mengembalikan hasil; model menggunakan umpan balik tersebut dalam analisisnya. Usulan perintah, kueri retrieval, atau patch harus tetap berbeda dari tindakan yang benar-benar diselesaikan aplikasi.
Konteks sangat panjang dan video
Perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token, dan dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks yang lebih besar. Masukan, visual yang direpresentasikan, riwayat, penalaran, dan respons akhir semuanya menggunakan anggaran urutan yang dikonfigurasi.
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Untuk materi berdurasi dalam hitungan jam, pembuatnya merekomendasikan peningkatan anggaran pemroses menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Itu merupakan resep yang bergantung pada konfigurasi, bukan jaminan durasi media, ingatan lengkap, atau presisi stempel waktu universal.
Panduan pembuatan keluaran dan batasan substantif
Best Practices merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0 untuk mode berpikir umum. Pemrograman presisi menggunakan temperature 0.6 dan presence penalty nol. Respons langsung umum menggunakan temperature 0.7, top_p 0.8, dan presence penalty 1.5; top_k adalah 20, min_p adalah 0, dan repetition penalty adalah 1.0. Penalaran dengan respons langsung memiliki preset terpisah: temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Presence penalty yang lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar kueri dan 81,920 untuk pekerjaan matematika atau pemrograman yang sangat kompleks; alokasi tersebut bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Tetapkan format yang diminta, pertahankan pengenal sumber, dan periksa perhitungan, nilai hasil ekstraksi, serta kode yang diusulkan terhadap bukti asli. Hasil yang berguna adalah artefak tekstual lengkap yang asumsi dan materi pendukungnya tetap terlihat.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.5-122b-a10b | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00058 / 1K token Keluaran · Token keluaran $0.00458 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00058 / 1K token Keluaran · Token keluaran $0.00458 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B adalah model visi-bahasa mixture-of-experts Qwen dengan total 122 miliar parameter dan 10 miliar yang diaktifkan. Model ini menerima teks, gambar, dan video untuk tugas penalaran, pemrograman, dan agen, mengembalikan teks dengan mode berpikir yang dapat dipilih serta konteks native 262,144 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.5: model expert 122B-A10B
Qwen3.5-122B-A10B adalah model visi-bahasa yang telah melalui pascapelatihan untuk tugas teks dan visual gabungan. Model ini menerima teks, gambar, dan video serta mengembalikan teks, termasuk penjelasan, usulan kode, dan artefak dokumen yang diminta. Keluarga ini dibangun melalui fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks, mengembangkan penalaran, pemrograman, agen, dan pemahaman visual. Keluarga ini menjelaskan cakupan 201 bahasa dan dialek, tanpa menyiratkan bahwa setiap bahasa atau domain memiliki keandalan yang identik.
Tugas yang berguna dapat menggabungkan spesifikasi teknis, diagram, dan kode yang relevan, lalu meminta model menjelaskan komponen dan mengembalikan usulan implementasi. Tugas analisis dokumen dapat meminta perbandingan dengan referensi bagian atau halaman pendukung.
Ikhtisar model
Checkpoint sparse mixture-of-experts ini memiliki total 122 miliar parameter dan mengaktifkan sepuluh miliar. Model ini memiliki 48 lapisan model bahasa, dengan kelompok tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Pembuatnya mencantumkan 256 routed expert, dengan pemilihan delapan routed expert bersama satu shared expert. Encoder visi dan prediksi multi-token merupakan bagian dari model. Jumlah total dan aktif memiliki makna yang berbeda; angka aktif bukan ukuran checkpoint lengkap.
Ini merupakan edisi berbeda dari Qwen3.5-27B dense, Qwen3.5-35B-A3B sparse, dan generasi model berikutnya. Jangan menyimpulkan peringkat kinerja atau latensi umum dari ukuran saja. Konteks native-nya adalah 262,144 token dan perluasan yang didokumentasikan mencapai 1,010,000 melalui konfigurasi. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk proses berpikir kompleks, sambil mengakui bahwa tekanan memori mungkin memerlukan jendela yang lebih kecil.
Menyiapkan bukti teks dan visual gabungan
Pertahankan label diagram, sumbu bagan, judul tabel, dan satuan. Nyatakan apakah hasil harus menjelaskan hubungan, mengekstrak kolom bernama, atau mengusulkan kode. Ketika beberapa sumber penting, beri label dan minta keluaran yang disusun menurut pengenal yang sama. Pisahkan fakta yang terlihat dari asumsi agar peninjau dapat menelusuri penalaran ke materi yang diberikan.
Untuk permintaan pemrograman, identifikasi perilaku yang dimaksud, sumber yang relevan, dan masukan yang menunjukkan masalah. Minta patch yang dapat diedit beserta penjelasan kondisi serta pemeriksaan yang terdampak. Untuk video, pertahankan urutan kejadian dan waktu serta tentukan pertanyaannya, alih-alih meminta ringkasan tanpa fokus. Hasil teks model merupakan artefak draf untuk diperiksa; kemampuan masukan visual tidak berarti pembuatan gambar, video, atau ucapan.
Berpikir dan riwayat
Berpikir diaktifkan secara bawaan, dengan penalaran sebelum jawaban akhir. Pengaturan enable_thinking dari pembuatnya dapat menonaktifkannya untuk respons langsung. Sakelar lunak /think dan /nothink yang lama tidak didukung secara resmi. Qwen3.5 merekomendasikan menyimpan jawaban akhir tanpa konten berpikir dalam pesan asisten historis. Ini tidak boleh diganti dengan opsi pemeliharaan historis generasi Qwen berikutnya hanya karena memiliki nama keluarga yang sama.
Buat hasil akhir mudah ditemukan, seperti kolom jawaban yang terdefinisi, nilai dengan pembatas, atau artefak kode terpisah. Jawaban langsung tetap perlu diperiksa, sedangkan penalaran lebih panjang berguna hanya ketika langkah-langkahnya mendukung kesimpulan yang dapat diverifikasi.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan agen pemrograman. Tetapkan tindakan yang diizinkan, bukti yang tersedia, dan kriteria penyelesaian. Alat terhubung menjalankan operasi dan mengembalikan hasil; model menggunakan umpan balik tersebut dalam analisisnya. Usulan perintah, kueri retrieval, atau patch harus tetap berbeda dari tindakan yang benar-benar diselesaikan aplikasi.
Konteks sangat panjang dan video
Perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token, dan dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks yang lebih besar. Masukan, visual yang direpresentasikan, riwayat, penalaran, dan respons akhir semuanya menggunakan anggaran urutan yang dikonfigurasi.
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Untuk materi berdurasi dalam hitungan jam, pembuatnya merekomendasikan peningkatan anggaran pemroses menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Itu merupakan resep yang bergantung pada konfigurasi, bukan jaminan durasi media, ingatan lengkap, atau presisi stempel waktu universal.
Panduan pembuatan keluaran dan batasan substantif
Best Practices merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0 untuk mode berpikir umum. Pemrograman presisi menggunakan temperature 0.6 dan presence penalty nol. Respons langsung umum menggunakan temperature 0.7, top_p 0.8, dan presence penalty 1.5; top_k adalah 20, min_p adalah 0, dan repetition penalty adalah 1.0. Penalaran dengan respons langsung memiliki preset terpisah: temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Presence penalty yang lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar kueri dan 81,920 untuk pekerjaan matematika atau pemrograman yang sangat kompleks; alokasi tersebut bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Tetapkan format yang diminta, pertahankan pengenal sumber, dan periksa perhitungan, nilai hasil ekstraksi, serta kode yang diusulkan terhadap bukti asli. Hasil yang berguna adalah artefak tekstual lengkap yang asumsi dan materi pendukungnya tetap terlihat.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.5-122b-a10b | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00058 / 1K token Keluaran · Token keluaran $0.00458 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00058 / 1K token Keluaran · Token keluaran $0.00458 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.