Keunggulan Qwen3.5: checkpoint visi-bahasa sparse
Qwen3.5-35B-A3B adalah model visi-bahasa yang telah melalui pascapelatihan, menggabungkan pemahaman teks, gambar, dan video dengan respons tekstual. Keluarga ini dilatih dengan fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks, mendukung penalaran, pemrograman, agen, serta analisis visual. Keluarga ini juga menjelaskan cakupan 201 bahasa dan dialek. Cakupan itu merupakan kemampuan keluarga, bukan janji kualitas setara untuk setiap bahasa atau tugas.
Checkpoint terbuka yang spesifik ini terpisah dari Qwen3.5-35B-A3B-Base dan rilis Qwen3.6 yang lebih baru. Pembuatnya juga menjelaskan layanan Flash terkelola dengan fitur tambahan; fitur antarmuka tersebut tidak boleh otomatis diberikan kepada checkpoint terbuka ini. Pertahankan identitas 35B-A3B yang diminta ketika membandingkan hasil atau menyimpan pemilihan model yang dapat direproduksi.
Ikhtisar model
Model mixture-of-experts ini memiliki total 35 miliar parameter dan mengaktifkan tiga miliar. Tata letak hibrida 40 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Model ini memiliki 256 routed expert, dengan delapan routed expert dan satu shared expert aktif dalam tata letak yang didokumentasikan. Encoder visi dan prediksi multi-token merupakan bagian dari model. Jumlah parameter aktif tidak menjelaskan ukuran checkpoint lengkap, dan arsitektur saja tidak menjamin latensi pada aplikasi tertentu.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk tugas berpikir kompleks, meskipun jendela yang lebih kecil akan mengurangi tekanan memori. Teks, materi visual yang direpresentasikan, riwayat, penalaran, dan jawaban akhir semuanya memerlukan ruang dalam urutan yang dikonfigurasi.
Menggunakan masukan dan mode respons
Untuk permintaan pemrograman yang dipandu tangkapan layar, berikan referensi visual, konteks sumber yang ada, persyaratan interaksi, dan artefak yang dapat diedit yang diharapkan. Untuk bagan atau dokumen, pertahankan label serta satuan dan minta tabel nilai beserta bukti pendukung. Untuk penjelasan multibahasa, nyatakan bahasa sasaran dan istilah yang harus dipertahankan.
Berpikir diaktifkan secara bawaan, menghasilkan blok penalaran sebelum respons akhir. Kontrol enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Qwen3.5 tidak secara resmi mendukung sakelar soft prompt /think dan /nothink yang lama. Panduan riwayatnya menyimpan jawaban akhir tanpa konten berpikir. Ini harus tetap berbeda dari opsi pemeliharaan Qwen3.6 yang lebih baru atau penyimpanan penalaran historis bawaan Qwen3.8.
Penggunaan agen
Pembuatnya mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan berorientasi repositori. Tetapkan operasi yang diizinkan, bukti yang relevan, dan hasil akhir. Aplikasi menjalankan alat serta menyediakan pengamatannya; model dapat menggunakan umpan balik tersebut untuk merevisi analisisnya. Perintah yang direncanakan atau patch yang dihasilkan bukan tindakan yang telah dieksekusi, dan nama model saja tidak menetapkan akses ke informasi terkini atau berkas.
Konteks sangat panjang
Resep perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk tugas 524,288 token. Penskalaan statis dapat menurunkan kinerja teks yang lebih pendek, sehingga harus dikonfigurasi ketika konteks yang lebih besar diperlukan. Susun materi panjang dengan batas dokumen, pengenal kode, dan pertanyaan yang jelas, alih-alih memenuhi jendela dengan bukti yang tidak berkaitan.
Rekomendasi pembuatan keluaran
Dalam Best Practices, mode berpikir umum menggunakan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0. 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. Untuk penalaran dalam mode langsung, Best Practices memberikan temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Pisahkan preset khusus tugas ini; presence penalty yang lebih besar dapat menyebabkan pencampuran bahasa atau sedikit penurunan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk matematika atau pemrograman yang sangat kompleks. Ini bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Tetapkan bentuk jawaban akhir secara eksplisit dan periksa perhitungan atau kode yang dihasilkan terhadap kondisi yang diberikan.
Video dan batasan substantif
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Panduan video berdurasi dalam hitungan jam dari pembuatnya memperluas anggaran pemroses menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Hal itu memerlukan konfigurasi dan menghabiskan konteks bersama tugas serta jawaban; itu bukan jaminan durasi tanpa syarat atau ingatan kejadian yang sempurna. Pertahankan transisi adegan yang relevan dan tulisan kecil, serta minta hasil yang dikaitkan dengan bukti yang terlihat. Nilai praktisnya adalah cakupan teks/visual gabungan checkpoint dan mode respons yang dapat dipilih, dengan artefak konkret yang dapat ditinjau.
", "aboutText": "Keunggulan Qwen3.5: checkpoint visi-bahasa sparse\n\nQwen3.5-35B-A3B adalah model visi-bahasa yang telah melalui pascapelatihan, menggabungkan pemahaman teks, gambar, dan video dengan respons tekstual. Keluarga ini dilatih dengan fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks, mendukung penalaran, pemrograman, agen, serta analisis visual. Keluarga ini juga menjelaskan cakupan 201 bahasa dan dialek. Cakupan itu merupakan kemampuan keluarga, bukan janji kualitas setara untuk setiap bahasa atau tugas.\n\nCheckpoint terbuka yang spesifik ini terpisah dari Qwen3.5-35B-A3B-Base dan rilis Qwen3.6 yang lebih baru. Pembuatnya juga menjelaskan layanan Flash terkelola dengan fitur tambahan; fitur antarmuka tersebut tidak boleh otomatis diberikan kepada checkpoint terbuka ini. Pertahankan identitas 35B-A3B yang diminta ketika membandingkan hasil atau menyimpan pemilihan model yang dapat direproduksi.\n\nIkhtisar model\n\nModel mixture-of-experts ini memiliki total 35 miliar parameter dan mengaktifkan tiga miliar. Tata letak hibrida 40 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Model ini memiliki 256 routed expert, dengan delapan routed expert dan satu shared expert aktif dalam tata letak yang didokumentasikan. Encoder visi dan prediksi multi-token merupakan bagian dari model. Jumlah parameter aktif tidak menjelaskan ukuran checkpoint lengkap, dan arsitektur saja tidak menjamin latensi pada aplikasi tertentu.\n\nKonteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk tugas berpikir kompleks, meskipun jendela yang lebih kecil akan mengurangi tekanan memori. Teks, materi visual yang direpresentasikan, riwayat, penalaran, dan jawaban akhir semuanya memerlukan ruang dalam urutan yang dikonfigurasi.\n\nMenggunakan masukan dan mode respons\n\nUntuk permintaan pemrograman yang dipandu tangkapan layar, berikan referensi visual, konteks sumber yang ada, persyaratan interaksi, dan artefak yang dapat diedit yang diharapkan. Untuk bagan atau dokumen, pertahankan label serta satuan dan minta tabel nilai beserta bukti pendukung. Untuk penjelasan multibahasa, nyatakan bahasa sasaran dan istilah yang harus dipertahankan.\n\nBerpikir diaktifkan secara bawaan, menghasilkan blok penalaran sebelum respons akhir. Kontrol enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Qwen3.5 tidak secara resmi mendukung sakelar soft prompt /think dan /nothink yang lama. Panduan riwayatnya menyimpan jawaban akhir tanpa konten berpikir. Ini harus tetap berbeda dari opsi pemeliharaan Qwen3.6 yang lebih baru atau penyimpanan penalaran historis bawaan Qwen3.8.\n\nPenggunaan agen\n\nPembuatnya mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan berorientasi repositori. Tetapkan operasi yang diizinkan, bukti yang relevan, dan hasil akhir. Aplikasi menjalankan alat serta menyediakan pengamatannya; model dapat menggunakan umpan balik tersebut untuk merevisi analisisnya. Perintah yang direncanakan atau patch yang dihasilkan bukan tindakan yang telah dieksekusi, dan nama model saja tidak menetapkan akses ke informasi terkini atau berkas.\n\nKonteks sangat panjang\n\nResep perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk tugas 524,288 token. Penskalaan statis dapat menurunkan kinerja teks yang lebih pendek, sehingga harus dikonfigurasi ketika konteks yang lebih besar diperlukan. Susun materi panjang dengan batas dokumen, pengenal kode, dan pertanyaan yang jelas, alih-alih memenuhi jendela dengan bukti yang tidak berkaitan.\n\nRekomendasi pembuatan keluaran\n\nDalam Best Practices, mode berpikir umum menggunakan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0. 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. Untuk penalaran dalam mode langsung, Best Practices memberikan temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Pisahkan preset khusus tugas ini; presence penalty yang lebih besar dapat menyebabkan pencampuran bahasa atau sedikit penurunan kualitas.\n\nAlokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk matematika atau pemrograman yang sangat kompleks. Ini bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Tetapkan bentuk jawaban akhir secara eksplisit dan periksa perhitungan atau kode yang dihasilkan terhadap kondisi yang diberikan.\n\nVideo dan batasan substantif\n\nContoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Panduan video berdurasi dalam hitungan jam dari pembuatnya memperluas anggaran pemroses menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Hal itu memerlukan konfigurasi dan menghabiskan konteks bersama tugas serta jawaban; itu bukan jaminan durasi tanpa syarat atau ingatan kejadian yang sempurna. Pertahankan transisi adegan yang relevan dan tulisan kecil, serta minta hasil yang dikaitkan dengan bukti yang terlihat. Nilai praktisnya adalah cakupan teks/visual gabungan checkpoint dan mode respons yang dapat dipilih, dengan artefak konkret yang dapat ditinjau.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B adalah model visi-bahasa mixture-of-experts Qwen dengan total 35 miliar parameter dan 3 miliar yang diaktifkan. Model ini menerima teks, gambar, dan video untuk penalaran, pemrograman, serta pekerjaan berbantuan alat, dengan mode berpikir dan jawaban langsung 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: checkpoint visi-bahasa sparse
Qwen3.5-35B-A3B adalah model visi-bahasa yang telah melalui pascapelatihan, menggabungkan pemahaman teks, gambar, dan video dengan respons tekstual. Keluarga ini dilatih dengan fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks, mendukung penalaran, pemrograman, agen, serta analisis visual. Keluarga ini juga menjelaskan cakupan 201 bahasa dan dialek. Cakupan itu merupakan kemampuan keluarga, bukan janji kualitas setara untuk setiap bahasa atau tugas.
Checkpoint terbuka yang spesifik ini terpisah dari Qwen3.5-35B-A3B-Base dan rilis Qwen3.6 yang lebih baru. Pembuatnya juga menjelaskan layanan Flash terkelola dengan fitur tambahan; fitur antarmuka tersebut tidak boleh otomatis diberikan kepada checkpoint terbuka ini. Pertahankan identitas 35B-A3B yang diminta ketika membandingkan hasil atau menyimpan pemilihan model yang dapat direproduksi.
Ikhtisar model
Model mixture-of-experts ini memiliki total 35 miliar parameter dan mengaktifkan tiga miliar. Tata letak hibrida 40 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Model ini memiliki 256 routed expert, dengan delapan routed expert dan satu shared expert aktif dalam tata letak yang didokumentasikan. Encoder visi dan prediksi multi-token merupakan bagian dari model. Jumlah parameter aktif tidak menjelaskan ukuran checkpoint lengkap, dan arsitektur saja tidak menjamin latensi pada aplikasi tertentu.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk tugas berpikir kompleks, meskipun jendela yang lebih kecil akan mengurangi tekanan memori. Teks, materi visual yang direpresentasikan, riwayat, penalaran, dan jawaban akhir semuanya memerlukan ruang dalam urutan yang dikonfigurasi.
Menggunakan masukan dan mode respons
Untuk permintaan pemrograman yang dipandu tangkapan layar, berikan referensi visual, konteks sumber yang ada, persyaratan interaksi, dan artefak yang dapat diedit yang diharapkan. Untuk bagan atau dokumen, pertahankan label serta satuan dan minta tabel nilai beserta bukti pendukung. Untuk penjelasan multibahasa, nyatakan bahasa sasaran dan istilah yang harus dipertahankan.
Berpikir diaktifkan secara bawaan, menghasilkan blok penalaran sebelum respons akhir. Kontrol enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Qwen3.5 tidak secara resmi mendukung sakelar soft prompt /think dan /nothink yang lama. Panduan riwayatnya menyimpan jawaban akhir tanpa konten berpikir. Ini harus tetap berbeda dari opsi pemeliharaan Qwen3.6 yang lebih baru atau penyimpanan penalaran historis bawaan Qwen3.8.
Penggunaan agen
Pembuatnya mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan berorientasi repositori. Tetapkan operasi yang diizinkan, bukti yang relevan, dan hasil akhir. Aplikasi menjalankan alat serta menyediakan pengamatannya; model dapat menggunakan umpan balik tersebut untuk merevisi analisisnya. Perintah yang direncanakan atau patch yang dihasilkan bukan tindakan yang telah dieksekusi, dan nama model saja tidak menetapkan akses ke informasi terkini atau berkas.
Konteks sangat panjang
Resep perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk tugas 524,288 token. Penskalaan statis dapat menurunkan kinerja teks yang lebih pendek, sehingga harus dikonfigurasi ketika konteks yang lebih besar diperlukan. Susun materi panjang dengan batas dokumen, pengenal kode, dan pertanyaan yang jelas, alih-alih memenuhi jendela dengan bukti yang tidak berkaitan.
Rekomendasi pembuatan keluaran
Dalam Best Practices, mode berpikir umum menggunakan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0. 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. Untuk penalaran dalam mode langsung, Best Practices memberikan temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Pisahkan preset khusus tugas ini; presence penalty yang lebih besar dapat menyebabkan pencampuran bahasa atau sedikit penurunan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk matematika atau pemrograman yang sangat kompleks. Ini bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Tetapkan bentuk jawaban akhir secara eksplisit dan periksa perhitungan atau kode yang dihasilkan terhadap kondisi yang diberikan.
Video dan batasan substantif
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Panduan video berdurasi dalam hitungan jam dari pembuatnya memperluas anggaran pemroses menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Hal itu memerlukan konfigurasi dan menghabiskan konteks bersama tugas serta jawaban; itu bukan jaminan durasi tanpa syarat atau ingatan kejadian yang sempurna. Pertahankan transisi adegan yang relevan dan tulisan kecil, serta minta hasil yang dikaitkan dengan bukti yang terlihat. Nilai praktisnya adalah cakupan teks/visual gabungan checkpoint dan mode respons yang dapat dipilih, dengan artefak konkret yang dapat ditinjau.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K token Keluaran · Token keluaran $0.00366 / 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 $0.00046 / 1K token Keluaran · Token keluaran $0.00366 / 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/qwen3.5-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.5-35b-a3b
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B adalah model visi-bahasa mixture-of-experts Qwen dengan total 35 miliar parameter dan 3 miliar yang diaktifkan. Model ini menerima teks, gambar, dan video untuk penalaran, pemrograman, serta pekerjaan berbantuan alat, dengan mode berpikir dan jawaban langsung 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: checkpoint visi-bahasa sparse
Qwen3.5-35B-A3B adalah model visi-bahasa yang telah melalui pascapelatihan, menggabungkan pemahaman teks, gambar, dan video dengan respons tekstual. Keluarga ini dilatih dengan fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks, mendukung penalaran, pemrograman, agen, serta analisis visual. Keluarga ini juga menjelaskan cakupan 201 bahasa dan dialek. Cakupan itu merupakan kemampuan keluarga, bukan janji kualitas setara untuk setiap bahasa atau tugas.
Checkpoint terbuka yang spesifik ini terpisah dari Qwen3.5-35B-A3B-Base dan rilis Qwen3.6 yang lebih baru. Pembuatnya juga menjelaskan layanan Flash terkelola dengan fitur tambahan; fitur antarmuka tersebut tidak boleh otomatis diberikan kepada checkpoint terbuka ini. Pertahankan identitas 35B-A3B yang diminta ketika membandingkan hasil atau menyimpan pemilihan model yang dapat direproduksi.
Ikhtisar model
Model mixture-of-experts ini memiliki total 35 miliar parameter dan mengaktifkan tiga miliar. Tata letak hibrida 40 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Model ini memiliki 256 routed expert, dengan delapan routed expert dan satu shared expert aktif dalam tata letak yang didokumentasikan. Encoder visi dan prediksi multi-token merupakan bagian dari model. Jumlah parameter aktif tidak menjelaskan ukuran checkpoint lengkap, dan arsitektur saja tidak menjamin latensi pada aplikasi tertentu.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk tugas berpikir kompleks, meskipun jendela yang lebih kecil akan mengurangi tekanan memori. Teks, materi visual yang direpresentasikan, riwayat, penalaran, dan jawaban akhir semuanya memerlukan ruang dalam urutan yang dikonfigurasi.
Menggunakan masukan dan mode respons
Untuk permintaan pemrograman yang dipandu tangkapan layar, berikan referensi visual, konteks sumber yang ada, persyaratan interaksi, dan artefak yang dapat diedit yang diharapkan. Untuk bagan atau dokumen, pertahankan label serta satuan dan minta tabel nilai beserta bukti pendukung. Untuk penjelasan multibahasa, nyatakan bahasa sasaran dan istilah yang harus dipertahankan.
Berpikir diaktifkan secara bawaan, menghasilkan blok penalaran sebelum respons akhir. Kontrol enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Qwen3.5 tidak secara resmi mendukung sakelar soft prompt /think dan /nothink yang lama. Panduan riwayatnya menyimpan jawaban akhir tanpa konten berpikir. Ini harus tetap berbeda dari opsi pemeliharaan Qwen3.6 yang lebih baru atau penyimpanan penalaran historis bawaan Qwen3.8.
Penggunaan agen
Pembuatnya mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan berorientasi repositori. Tetapkan operasi yang diizinkan, bukti yang relevan, dan hasil akhir. Aplikasi menjalankan alat serta menyediakan pengamatannya; model dapat menggunakan umpan balik tersebut untuk merevisi analisisnya. Perintah yang direncanakan atau patch yang dihasilkan bukan tindakan yang telah dieksekusi, dan nama model saja tidak menetapkan akses ke informasi terkini atau berkas.
Konteks sangat panjang
Resep perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk tugas 524,288 token. Penskalaan statis dapat menurunkan kinerja teks yang lebih pendek, sehingga harus dikonfigurasi ketika konteks yang lebih besar diperlukan. Susun materi panjang dengan batas dokumen, pengenal kode, dan pertanyaan yang jelas, alih-alih memenuhi jendela dengan bukti yang tidak berkaitan.
Rekomendasi pembuatan keluaran
Dalam Best Practices, mode berpikir umum menggunakan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0. 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. Untuk penalaran dalam mode langsung, Best Practices memberikan temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Pisahkan preset khusus tugas ini; presence penalty yang lebih besar dapat menyebabkan pencampuran bahasa atau sedikit penurunan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk matematika atau pemrograman yang sangat kompleks. Ini bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Tetapkan bentuk jawaban akhir secara eksplisit dan periksa perhitungan atau kode yang dihasilkan terhadap kondisi yang diberikan.
Video dan batasan substantif
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Panduan video berdurasi dalam hitungan jam dari pembuatnya memperluas anggaran pemroses menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Hal itu memerlukan konfigurasi dan menghabiskan konteks bersama tugas serta jawaban; itu bukan jaminan durasi tanpa syarat atau ingatan kejadian yang sempurna. Pertahankan transisi adegan yang relevan dan tulisan kecil, serta minta hasil yang dikaitkan dengan bukti yang terlihat. Nilai praktisnya adalah cakupan teks/visual gabungan checkpoint dan mode respons yang dapat dipilih, dengan artefak konkret yang dapat ditinjau.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K token Keluaran · Token keluaran $0.00366 / 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 $0.00046 / 1K token Keluaran · Token keluaran $0.00366 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.5-35b-a3b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.