Keunggulan Qwen3.5: checkpoint 397B-A17B
Qwen3.5-397B-A17B adalah model visi-bahasa mixture-of-experts yang telah melalui pascapelatihan dalam keluarga Qwen3.5. Model ini menerima teks, gambar, dan video serta menghasilkan teks: penjelasan, usulan kode, analisis, dan artefak dokumen yang diminta. Keluarga ini menggunakan fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks untuk mengembangkan penalaran, pemrograman, agen, dan pemahaman visual. Cakupan linguistik yang didokumentasikan adalah 201 bahasa dan dialek, bukan janji keandalan yang identik untuk setiap bahasa atau bidang spesialis.
Pembuatnya secara terpisah menjelaskan Qwen3.5-Plus terkelola sebagai layanan yang bersesuaian dengan fitur produksi tambahan. Pertahankan identitas, konteks, dan resep pembuatan keluaran checkpoint terbuka ini sendiri, alih-alih mengimpor setiap fitur terkelola atau kontrol Qwen yang lebih baru. Edisi 397B-A17B yang spesifik tetap berbeda dari model dense dan expert yang lebih kecil dalam keluarga yang sama.
Ikhtisar model
Model ini memiliki total 397 miliar parameter dan mengaktifkan 17 miliar. Tata letak hibrida 60 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Pembuatnya mencantumkan 512 routed expert, dengan pemilihan sepuluh routed expert bersama satu shared expert. Encoder visi dan prediksi multi-token merupakan bagian dari model. Parameter total, parameter aktif, dan ukuran penyimpanan checkpoint lengkap merupakan konsep yang berbeda; jumlah ini tidak menetapkan waktu respons tetap.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat hingga 1,010,000. Teks, gambar atau video yang direpresentasikan, riwayat percakapan, penalaran, dan jawaban akhir berbagi alokasi urutan yang dikonfigurasi. Gunakan anggaran yang benar-benar dikonfigurasi untuk tugas, alih-alih menganggap dokumen terbesar dan jawaban terbesar otomatis muat bersama.
Menyiapkan bukti teks dan visual
Untuk proyek teknis, berikan spesifikasi, kode serta diagram yang relevan, dan tetapkan artefak yang harus dihasilkan. Minta usulan implementasi yang disusun menurut komponen terdampak dan didukung persyaratan yang diberikan. Untuk perbandingan dokumen, pertahankan pengenal bagian, label tabel, dan satuan serta minta tabel temuan dengan bukti untuk setiap baris. Untuk laporan multibahasa, tentukan bahasa sasaran dan istilah yang harus tetap tidak berubah.
Untuk pertanyaan gambar, pertahankan label kecil dan berikan definisi yang tidak ada dalam gambar. Untuk pertanyaan video, identifikasi kejadian yang relevan dan pertahankan urutan bingkai serta waktu. Bandingkan detail visual, kutipan, dan deskripsi kejadian yang dikembalikan dengan gambar, bagian teks, serta stempel waktu asli. Hasil tetap berupa analisis tekstual atau kode; masukan visual model tidak menyiratkan pembuatan gambar, video, atau ucapan.
Berpikir dan riwayat percakapan
Berpikir diaktifkan secara bawaan dan mendahului respons akhir. Pengaturan enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Sakelar soft prompt /think dan /nothink yang lebih lama tidak didukung secara resmi untuk Qwen3.5. Buat artefak akhir mudah ditemukan setelah penalaran, seperti kesimpulan dengan pembatas, tabel bukti, atau usulan kode terpisah.
Kartu merekomendasikan mempertahankan jawaban akhir tanpa konten berpikir dalam pesan asisten historis. Itu berbeda dari opsi dan perilaku bawaan pemeliharaan penalaran historis yang diperkenalkan pada rilis berikutnya. Ikuti templat checkpoint yang tepat ini dan kaitkan koreksi atau pengamatan alat dengan tugas yang diperbaruinya.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, serta Qwen Code untuk alur kerja agen pemrograman. Nyatakan operasi yang diizinkan, bukti yang tersedia, dan kriteria penyelesaian yang dapat diamati. Aplikasi menjalankan alat dan menyediakan hasilnya; model dapat menggunakan pengamatan itu untuk merevisi rencana atau penjelasannya. Usulan perintah atau patch tetap berbeda dari tindakan yang benar-benar selesai di lingkungan.
Teks dan video sangat panjang
Perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini sendiri. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks lebih besar. Susun masukan panjang menurut dokumen, halaman, atau pengenal kode dan sisakan ruang untuk hasil.
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Untuk materi berdurasi dalam hitungan jam, pembuatnya merekomendasikan anggaran pemroses yang lebih besar, setara 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
Bagian Best Practices checkpoint ini merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0 untuk mode berpikir, serta temperature 0.7, top_p 0.8, top_k 20, dan min_p 0 untuk respons langsung. Rekomendasi spesifik ini berbeda dari beberapa edisi Qwen3.5 yang lebih kecil. Jika didukung, presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai 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. Itu merupakan rekomendasi, bukan batas atas keluaran tegas yang independen. Tentukan format jawaban yang diperlukan dan periksa perhitungan, detail hasil ekstraksi, serta kode yang diusulkan terhadap sumber. Keluaran yang berguna adalah artefak tekstual konkret yang bukti serta asumsinya dapat ditinjau.
", "aboutText": "Keunggulan Qwen3.5: checkpoint 397B-A17B\n\nQwen3.5-397B-A17B adalah model visi-bahasa mixture-of-experts yang telah melalui pascapelatihan dalam keluarga Qwen3.5. Model ini menerima teks, gambar, dan video serta menghasilkan teks: penjelasan, usulan kode, analisis, dan artefak dokumen yang diminta. Keluarga ini menggunakan fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks untuk mengembangkan penalaran, pemrograman, agen, dan pemahaman visual. Cakupan linguistik yang didokumentasikan adalah 201 bahasa dan dialek, bukan janji keandalan yang identik untuk setiap bahasa atau bidang spesialis.\n\nPembuatnya secara terpisah menjelaskan Qwen3.5-Plus terkelola sebagai layanan yang bersesuaian dengan fitur produksi tambahan. Pertahankan identitas, konteks, dan resep pembuatan keluaran checkpoint terbuka ini sendiri, alih-alih mengimpor setiap fitur terkelola atau kontrol Qwen yang lebih baru. Edisi 397B-A17B yang spesifik tetap berbeda dari model dense dan expert yang lebih kecil dalam keluarga yang sama.\n\nIkhtisar model\n\nModel ini memiliki total 397 miliar parameter dan mengaktifkan 17 miliar. Tata letak hibrida 60 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Pembuatnya mencantumkan 512 routed expert, dengan pemilihan sepuluh routed expert bersama satu shared expert. Encoder visi dan prediksi multi-token merupakan bagian dari model. Parameter total, parameter aktif, dan ukuran penyimpanan checkpoint lengkap merupakan konsep yang berbeda; jumlah ini tidak menetapkan waktu respons tetap.\n\nKonteks native-nya adalah 262,144 token, dengan perluasan bersyarat hingga 1,010,000. Teks, gambar atau video yang direpresentasikan, riwayat percakapan, penalaran, dan jawaban akhir berbagi alokasi urutan yang dikonfigurasi. Gunakan anggaran yang benar-benar dikonfigurasi untuk tugas, alih-alih menganggap dokumen terbesar dan jawaban terbesar otomatis muat bersama.\n\nMenyiapkan bukti teks dan visual\n\nUntuk proyek teknis, berikan spesifikasi, kode serta diagram yang relevan, dan tetapkan artefak yang harus dihasilkan. Minta usulan implementasi yang disusun menurut komponen terdampak dan didukung persyaratan yang diberikan. Untuk perbandingan dokumen, pertahankan pengenal bagian, label tabel, dan satuan serta minta tabel temuan dengan bukti untuk setiap baris. Untuk laporan multibahasa, tentukan bahasa sasaran dan istilah yang harus tetap tidak berubah.\n\nUntuk pertanyaan gambar, pertahankan label kecil dan berikan definisi yang tidak ada dalam gambar. Untuk pertanyaan video, identifikasi kejadian yang relevan dan pertahankan urutan bingkai serta waktu. Bandingkan detail visual, kutipan, dan deskripsi kejadian yang dikembalikan dengan gambar, bagian teks, serta stempel waktu asli. Hasil tetap berupa analisis tekstual atau kode; masukan visual model tidak menyiratkan pembuatan gambar, video, atau ucapan.\n\nBerpikir dan riwayat percakapan\n\nBerpikir diaktifkan secara bawaan dan mendahului respons akhir. Pengaturan enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Sakelar soft prompt /think dan /nothink yang lebih lama tidak didukung secara resmi untuk Qwen3.5. Buat artefak akhir mudah ditemukan setelah penalaran, seperti kesimpulan dengan pembatas, tabel bukti, atau usulan kode terpisah.\n\nKartu merekomendasikan mempertahankan jawaban akhir tanpa konten berpikir dalam pesan asisten historis. Itu berbeda dari opsi dan perilaku bawaan pemeliharaan penalaran historis yang diperkenalkan pada rilis berikutnya. Ikuti templat checkpoint yang tepat ini dan kaitkan koreksi atau pengamatan alat dengan tugas yang diperbaruinya.\n\nPenggunaan agen\n\nQwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, serta Qwen Code untuk alur kerja agen pemrograman. Nyatakan operasi yang diizinkan, bukti yang tersedia, dan kriteria penyelesaian yang dapat diamati. Aplikasi menjalankan alat dan menyediakan hasilnya; model dapat menggunakan pengamatan itu untuk merevisi rencana atau penjelasannya. Usulan perintah atau patch tetap berbeda dari tindakan yang benar-benar selesai di lingkungan.\n\nTeks dan video sangat panjang\n\nPerluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini sendiri. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks lebih besar. Susun masukan panjang menurut dokumen, halaman, atau pengenal kode dan sisakan ruang untuk hasil.\n\nContoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Untuk materi berdurasi dalam hitungan jam, pembuatnya merekomendasikan anggaran pemroses yang lebih besar, setara 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\nBagian Best Practices checkpoint ini merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0 untuk mode berpikir, serta temperature 0.7, top_p 0.8, top_k 20, dan min_p 0 untuk respons langsung. Rekomendasi spesifik ini berbeda dari beberapa edisi Qwen3.5 yang lebih kecil. Jika didukung, presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai 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. Itu merupakan rekomendasi, bukan batas atas keluaran tegas yang independen. Tentukan format jawaban yang diperlukan dan periksa perhitungan, detail hasil ekstraksi, serta kode yang diusulkan terhadap sumber. Keluaran yang berguna adalah artefak tekstual konkret yang bukti serta asumsinya dapat ditinjau.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B adalah model visi-bahasa mixture-of-experts Qwen dengan total 397 miliar parameter dan 17 miliar yang diaktifkan. Model ini menerima teks, gambar, dan video serta mengembalikan teks untuk tugas penalaran, pemrograman, dan agen, 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: checkpoint 397B-A17B
Qwen3.5-397B-A17B adalah model visi-bahasa mixture-of-experts yang telah melalui pascapelatihan dalam keluarga Qwen3.5. Model ini menerima teks, gambar, dan video serta menghasilkan teks: penjelasan, usulan kode, analisis, dan artefak dokumen yang diminta. Keluarga ini menggunakan fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks untuk mengembangkan penalaran, pemrograman, agen, dan pemahaman visual. Cakupan linguistik yang didokumentasikan adalah 201 bahasa dan dialek, bukan janji keandalan yang identik untuk setiap bahasa atau bidang spesialis.
Pembuatnya secara terpisah menjelaskan Qwen3.5-Plus terkelola sebagai layanan yang bersesuaian dengan fitur produksi tambahan. Pertahankan identitas, konteks, dan resep pembuatan keluaran checkpoint terbuka ini sendiri, alih-alih mengimpor setiap fitur terkelola atau kontrol Qwen yang lebih baru. Edisi 397B-A17B yang spesifik tetap berbeda dari model dense dan expert yang lebih kecil dalam keluarga yang sama.
Ikhtisar model
Model ini memiliki total 397 miliar parameter dan mengaktifkan 17 miliar. Tata letak hibrida 60 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Pembuatnya mencantumkan 512 routed expert, dengan pemilihan sepuluh routed expert bersama satu shared expert. Encoder visi dan prediksi multi-token merupakan bagian dari model. Parameter total, parameter aktif, dan ukuran penyimpanan checkpoint lengkap merupakan konsep yang berbeda; jumlah ini tidak menetapkan waktu respons tetap.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat hingga 1,010,000. Teks, gambar atau video yang direpresentasikan, riwayat percakapan, penalaran, dan jawaban akhir berbagi alokasi urutan yang dikonfigurasi. Gunakan anggaran yang benar-benar dikonfigurasi untuk tugas, alih-alih menganggap dokumen terbesar dan jawaban terbesar otomatis muat bersama.
Menyiapkan bukti teks dan visual
Untuk proyek teknis, berikan spesifikasi, kode serta diagram yang relevan, dan tetapkan artefak yang harus dihasilkan. Minta usulan implementasi yang disusun menurut komponen terdampak dan didukung persyaratan yang diberikan. Untuk perbandingan dokumen, pertahankan pengenal bagian, label tabel, dan satuan serta minta tabel temuan dengan bukti untuk setiap baris. Untuk laporan multibahasa, tentukan bahasa sasaran dan istilah yang harus tetap tidak berubah.
Untuk pertanyaan gambar, pertahankan label kecil dan berikan definisi yang tidak ada dalam gambar. Untuk pertanyaan video, identifikasi kejadian yang relevan dan pertahankan urutan bingkai serta waktu. Bandingkan detail visual, kutipan, dan deskripsi kejadian yang dikembalikan dengan gambar, bagian teks, serta stempel waktu asli. Hasil tetap berupa analisis tekstual atau kode; masukan visual model tidak menyiratkan pembuatan gambar, video, atau ucapan.
Berpikir dan riwayat percakapan
Berpikir diaktifkan secara bawaan dan mendahului respons akhir. Pengaturan enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Sakelar soft prompt /think dan /nothink yang lebih lama tidak didukung secara resmi untuk Qwen3.5. Buat artefak akhir mudah ditemukan setelah penalaran, seperti kesimpulan dengan pembatas, tabel bukti, atau usulan kode terpisah.
Kartu merekomendasikan mempertahankan jawaban akhir tanpa konten berpikir dalam pesan asisten historis. Itu berbeda dari opsi dan perilaku bawaan pemeliharaan penalaran historis yang diperkenalkan pada rilis berikutnya. Ikuti templat checkpoint yang tepat ini dan kaitkan koreksi atau pengamatan alat dengan tugas yang diperbaruinya.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, serta Qwen Code untuk alur kerja agen pemrograman. Nyatakan operasi yang diizinkan, bukti yang tersedia, dan kriteria penyelesaian yang dapat diamati. Aplikasi menjalankan alat dan menyediakan hasilnya; model dapat menggunakan pengamatan itu untuk merevisi rencana atau penjelasannya. Usulan perintah atau patch tetap berbeda dari tindakan yang benar-benar selesai di lingkungan.
Teks dan video sangat panjang
Perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini sendiri. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks lebih besar. Susun masukan panjang menurut dokumen, halaman, atau pengenal kode dan sisakan ruang untuk hasil.
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Untuk materi berdurasi dalam hitungan jam, pembuatnya merekomendasikan anggaran pemroses yang lebih besar, setara 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
Bagian Best Practices checkpoint ini merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0 untuk mode berpikir, serta temperature 0.7, top_p 0.8, top_k 20, dan min_p 0 untuk respons langsung. Rekomendasi spesifik ini berbeda dari beberapa edisi Qwen3.5 yang lebih kecil. Jika didukung, presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai 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. Itu merupakan rekomendasi, bukan batas atas keluaran tegas yang independen. Tentukan format jawaban yang diperlukan dan periksa perhitungan, detail hasil ekstraksi, serta kode yang diusulkan terhadap sumber. Keluaran yang berguna adalah artefak tekstual konkret yang bukti serta asumsinya dapat ditinjau.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K token Keluaran · Token keluaran $0.00468 / 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 $0.00078 / 1K token Keluaran · Token keluaran $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B adalah model visi-bahasa mixture-of-experts Qwen dengan total 397 miliar parameter dan 17 miliar yang diaktifkan. Model ini menerima teks, gambar, dan video serta mengembalikan teks untuk tugas penalaran, pemrograman, dan agen, 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: checkpoint 397B-A17B
Qwen3.5-397B-A17B adalah model visi-bahasa mixture-of-experts yang telah melalui pascapelatihan dalam keluarga Qwen3.5. Model ini menerima teks, gambar, dan video serta menghasilkan teks: penjelasan, usulan kode, analisis, dan artefak dokumen yang diminta. Keluarga ini menggunakan fusi teks–visi sejak awal dan reinforcement learning pada tugas yang semakin kompleks untuk mengembangkan penalaran, pemrograman, agen, dan pemahaman visual. Cakupan linguistik yang didokumentasikan adalah 201 bahasa dan dialek, bukan janji keandalan yang identik untuk setiap bahasa atau bidang spesialis.
Pembuatnya secara terpisah menjelaskan Qwen3.5-Plus terkelola sebagai layanan yang bersesuaian dengan fitur produksi tambahan. Pertahankan identitas, konteks, dan resep pembuatan keluaran checkpoint terbuka ini sendiri, alih-alih mengimpor setiap fitur terkelola atau kontrol Qwen yang lebih baru. Edisi 397B-A17B yang spesifik tetap berbeda dari model dense dan expert yang lebih kecil dalam keluarga yang sama.
Ikhtisar model
Model ini memiliki total 397 miliar parameter dan mengaktifkan 17 miliar. Tata letak hibrida 60 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Pembuatnya mencantumkan 512 routed expert, dengan pemilihan sepuluh routed expert bersama satu shared expert. Encoder visi dan prediksi multi-token merupakan bagian dari model. Parameter total, parameter aktif, dan ukuran penyimpanan checkpoint lengkap merupakan konsep yang berbeda; jumlah ini tidak menetapkan waktu respons tetap.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat hingga 1,010,000. Teks, gambar atau video yang direpresentasikan, riwayat percakapan, penalaran, dan jawaban akhir berbagi alokasi urutan yang dikonfigurasi. Gunakan anggaran yang benar-benar dikonfigurasi untuk tugas, alih-alih menganggap dokumen terbesar dan jawaban terbesar otomatis muat bersama.
Menyiapkan bukti teks dan visual
Untuk proyek teknis, berikan spesifikasi, kode serta diagram yang relevan, dan tetapkan artefak yang harus dihasilkan. Minta usulan implementasi yang disusun menurut komponen terdampak dan didukung persyaratan yang diberikan. Untuk perbandingan dokumen, pertahankan pengenal bagian, label tabel, dan satuan serta minta tabel temuan dengan bukti untuk setiap baris. Untuk laporan multibahasa, tentukan bahasa sasaran dan istilah yang harus tetap tidak berubah.
Untuk pertanyaan gambar, pertahankan label kecil dan berikan definisi yang tidak ada dalam gambar. Untuk pertanyaan video, identifikasi kejadian yang relevan dan pertahankan urutan bingkai serta waktu. Bandingkan detail visual, kutipan, dan deskripsi kejadian yang dikembalikan dengan gambar, bagian teks, serta stempel waktu asli. Hasil tetap berupa analisis tekstual atau kode; masukan visual model tidak menyiratkan pembuatan gambar, video, atau ucapan.
Berpikir dan riwayat percakapan
Berpikir diaktifkan secara bawaan dan mendahului respons akhir. Pengaturan enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Sakelar soft prompt /think dan /nothink yang lebih lama tidak didukung secara resmi untuk Qwen3.5. Buat artefak akhir mudah ditemukan setelah penalaran, seperti kesimpulan dengan pembatas, tabel bukti, atau usulan kode terpisah.
Kartu merekomendasikan mempertahankan jawaban akhir tanpa konten berpikir dalam pesan asisten historis. Itu berbeda dari opsi dan perilaku bawaan pemeliharaan penalaran historis yang diperkenalkan pada rilis berikutnya. Ikuti templat checkpoint yang tepat ini dan kaitkan koreksi atau pengamatan alat dengan tugas yang diperbaruinya.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, serta Qwen Code untuk alur kerja agen pemrograman. Nyatakan operasi yang diizinkan, bukti yang tersedia, dan kriteria penyelesaian yang dapat diamati. Aplikasi menjalankan alat dan menyediakan hasilnya; model dapat menggunakan pengamatan itu untuk merevisi rencana atau penjelasannya. Usulan perintah atau patch tetap berbeda dari tindakan yang benar-benar selesai di lingkungan.
Teks dan video sangat panjang
Perluasan dari pembuatnya menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini sendiri. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks lebih besar. Susun masukan panjang menurut dokumen, halaman, atau pengenal kode dan sisakan ruang untuk hasil.
Contoh video yang didukung secara bawaan menggunakan dua bingkai per detik. Untuk materi berdurasi dalam hitungan jam, pembuatnya merekomendasikan anggaran pemroses yang lebih besar, setara 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
Bagian Best Practices checkpoint ini merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0 untuk mode berpikir, serta temperature 0.7, top_p 0.8, top_k 20, dan min_p 0 untuk respons langsung. Rekomendasi spesifik ini berbeda dari beberapa edisi Qwen3.5 yang lebih kecil. Jika didukung, presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai 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. Itu merupakan rekomendasi, bukan batas atas keluaran tegas yang independen. Tentukan format jawaban yang diperlukan dan periksa perhitungan, detail hasil ekstraksi, serta kode yang diusulkan terhadap sumber. Keluaran yang berguna adalah artefak tekstual konkret yang bukti serta asumsinya dapat ditinjau.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K token Keluaran · Token keluaran $0.00468 / 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 $0.00078 / 1K token Keluaran · Token keluaran $0.00468 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.