Keunggulan Qwen3.5 dalam edisi dense 9B
Qwen3.5-9B adalah checkpoint visi-bahasa dense dengan 9 miliar parameter yang telah melalui pascapelatihan. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Keluarga ini menyatukan penalaran, pemrograman, agen, dan pemahaman visual melalui fusi awal pelatihan teks dan visual, reinforcement learning pada tugas yang semakin kompleks, serta dukungan untuk 201 bahasa dan dialek. Cakupan bahasa tersebut merupakan kemampuan keluarga, bukan jaminan keandalan yang identik untuk setiap bahasa atau topik.
Untuk pekerjaan dokumen multibahasa, nyatakan bahasa sasaran, pertahankan istilah teknis, dan minta hasil mengidentifikasi kolom atau bagian sumber yang digunakannya. Untuk pertanyaan visual, berikan gambar yang terbaca dan tugas yang tepat. Untuk permintaan pemrograman kecil, berikan masukan, perilaku yang diinginkan, dan kode yang relevan. Model tidak menghasilkan gambar atau video ketika menganalisis materi visual.
Ikhtisar model
Model 9B yang spesifik ini bersifat dense, dengan 32 lapisan model bahasa dan encoder visi. Tata letak hibridanya mengulangi tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, menggunakan jaringan feed-forward dense. Prediksi multi-token disertakan dalam pelatihan. Keluarga ini juga memuat model expert sparse, tetapi deskripsi parameter total versus aktifnya tidak boleh diterapkan pada edisi dense ini.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Konfigurasi dan ukuran numerik model harus tetap dibedakan dari checkpoint Base-nya, ukuran Qwen3.5 lain, serta build terkuantisasi. Jumlah parameter yang lebih kecil mengidentifikasi edisi; hal itu tidak dengan sendirinya menetapkan waktu respons universal atau peringkat kualitas. Untuk tugas berpikir kompleks, Qwen merekomendasikan mempertahankan konteks terkonfigurasi setidaknya 128K token jika memungkinkan.
Masukan dan mode respons
Pembuatnya memperlihatkan pertanyaan hanya teks, gambar, dan video. Berikan pertanyaan dokumen dengan halaman yang relevan serta kolom yang diharapkan, atau pertanyaan video dengan kejadian dan rentang waktu yang penting. Pertahankan label, satuan, dan urutan bingkai. Minta hasil yang dapat dibandingkan dengan sumber, seperti tabel nilai hasil ekstraksi atau penjelasan yang mengutip bukti yang terlihat.
Berpikir diaktifkan secara bawaan. enable_thinking dapat menonaktifkan penalaran untuk respons langsung, sedangkan sakelar soft prompt /think dan /nothink yang lebih lama tidak didukung secara resmi. Gunakan templat pembuatnya dan pisahkan penalaran dari teks akhir ketika antarmuka menyediakan keduanya. Rekomendasi riwayat Qwen3.5 adalah mempertahankan jawaban akhir tanpa konten berpikirnya; perilaku pemeliharaan historis yang lebih baru tidak boleh diimpor ke rilis ini.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent, termasuk alat yang dikonfigurasi atau terhubung melalui MCP, serta Qwen Code untuk pekerjaan agen pemrograman. Nyatakan alat yang diizinkan dan hasil yang dapat diamati. Alat terhubung dapat memberikan perhitungan, retrieval sumber, atau umpan balik eksekusi nyata; model kemudian dapat menggunakan informasi itu dalam jawabannya. Alat dan tindakan eksternal merupakan tanggung jawab aplikasi, sehingga nama model saja tidak menetapkan akses atau eksekusi.
Teks sangat panjang
Perluasan yang didokumentasikan menggunakan YaRN dengan pengaturan posisi checkpoint ini sendiri. Faktor empat menargetkan alur kerja sekitar satu juta token; untuk 524,288 token, pembuatnya menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks lebih panjang. Masukan, representasi visual, riwayat, penalaran, dan keluaran akhir berbagi anggaran urutan. Susun materi panjang menurut dokumen atau pengenal kode dan sisakan ruang untuk artefak yang diminta.
Rekomendasi pembuatan keluaran
Bagian Best Practices pada kartu membedakan beberapa preset. 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 tugas penalaran dengan respons langsung, Best Practices justru merekomendasikan temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Ini merupakan resep khusus tugas, bukan nilai yang boleh dicampur sembarangan. Presence penalty yang lebih besar dapat menyebabkan pencampuran bahasa atau sedikit penurunan kualitas.
Qwen merekomendasikan alokasi pembuatan keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk pertanyaan matematika atau pemrograman yang sangat kompleks. Itu merupakan rekomendasi, bukan batas atas keluaran tegas yang independen. Tentukan format jawaban, seperti hasil matematika dengan pembatas atau kolom jawaban, dan verifikasi kesimpulan terhadap sumber.
Detail video dan batasan substantif
Contoh video dari pembuatnya secara bawaan menggunakan dua bingkai per detik dalam alur kerja yang didukung. Panduan untuk video berdurasi dalam hitungan jam memperluas anggaran pemroses video menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Ini merupakan contoh yang bergantung pada konfigurasi, bukan jaminan durasi atau waktu kejadian universal. Jaga tulisan kecil dan transisi adegan penting tetap terbaca, dan periksa teks hasil ekstraksi, perhitungan, serta kode yang dihasilkan sebelum menggunakan hasilnya. Nilai praktis edisi 9B adalah cakupan tugas teks/visual gabungan yang didokumentasikan dan mode respons yang dapat dikendalikan, dengan identitas dense yang tepat tetap dipertahankan.
", "aboutText": "Keunggulan Qwen3.5 dalam edisi dense 9B\n\nQwen3.5-9B adalah checkpoint visi-bahasa dense dengan 9 miliar parameter yang telah melalui pascapelatihan. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Keluarga ini menyatukan penalaran, pemrograman, agen, dan pemahaman visual melalui fusi awal pelatihan teks dan visual, reinforcement learning pada tugas yang semakin kompleks, serta dukungan untuk 201 bahasa dan dialek. Cakupan bahasa tersebut merupakan kemampuan keluarga, bukan jaminan keandalan yang identik untuk setiap bahasa atau topik.\n\nUntuk pekerjaan dokumen multibahasa, nyatakan bahasa sasaran, pertahankan istilah teknis, dan minta hasil mengidentifikasi kolom atau bagian sumber yang digunakannya. Untuk pertanyaan visual, berikan gambar yang terbaca dan tugas yang tepat. Untuk permintaan pemrograman kecil, berikan masukan, perilaku yang diinginkan, dan kode yang relevan. Model tidak menghasilkan gambar atau video ketika menganalisis materi visual.\n\nIkhtisar model\n\nModel 9B yang spesifik ini bersifat dense, dengan 32 lapisan model bahasa dan encoder visi. Tata letak hibridanya mengulangi tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, menggunakan jaringan feed-forward dense. Prediksi multi-token disertakan dalam pelatihan. Keluarga ini juga memuat model expert sparse, tetapi deskripsi parameter total versus aktifnya tidak boleh diterapkan pada edisi dense ini.\n\nKonteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Konfigurasi dan ukuran numerik model harus tetap dibedakan dari checkpoint Base-nya, ukuran Qwen3.5 lain, serta build terkuantisasi. Jumlah parameter yang lebih kecil mengidentifikasi edisi; hal itu tidak dengan sendirinya menetapkan waktu respons universal atau peringkat kualitas. Untuk tugas berpikir kompleks, Qwen merekomendasikan mempertahankan konteks terkonfigurasi setidaknya 128K token jika memungkinkan.\n\nMasukan dan mode respons\n\nPembuatnya memperlihatkan pertanyaan hanya teks, gambar, dan video. Berikan pertanyaan dokumen dengan halaman yang relevan serta kolom yang diharapkan, atau pertanyaan video dengan kejadian dan rentang waktu yang penting. Pertahankan label, satuan, dan urutan bingkai. Minta hasil yang dapat dibandingkan dengan sumber, seperti tabel nilai hasil ekstraksi atau penjelasan yang mengutip bukti yang terlihat.\n\nBerpikir diaktifkan secara bawaan. enable_thinking dapat menonaktifkan penalaran untuk respons langsung, sedangkan sakelar soft prompt /think dan /nothink yang lebih lama tidak didukung secara resmi. Gunakan templat pembuatnya dan pisahkan penalaran dari teks akhir ketika antarmuka menyediakan keduanya. Rekomendasi riwayat Qwen3.5 adalah mempertahankan jawaban akhir tanpa konten berpikirnya; perilaku pemeliharaan historis yang lebih baru tidak boleh diimpor ke rilis ini.\n\nPenggunaan agen\n\nQwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent, termasuk alat yang dikonfigurasi atau terhubung melalui MCP, serta Qwen Code untuk pekerjaan agen pemrograman. Nyatakan alat yang diizinkan dan hasil yang dapat diamati. Alat terhubung dapat memberikan perhitungan, retrieval sumber, atau umpan balik eksekusi nyata; model kemudian dapat menggunakan informasi itu dalam jawabannya. Alat dan tindakan eksternal merupakan tanggung jawab aplikasi, sehingga nama model saja tidak menetapkan akses atau eksekusi.\n\nTeks sangat panjang\n\nPerluasan yang didokumentasikan menggunakan YaRN dengan pengaturan posisi checkpoint ini sendiri. Faktor empat menargetkan alur kerja sekitar satu juta token; untuk 524,288 token, pembuatnya menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks lebih panjang. Masukan, representasi visual, riwayat, penalaran, dan keluaran akhir berbagi anggaran urutan. Susun materi panjang menurut dokumen atau pengenal kode dan sisakan ruang untuk artefak yang diminta.\n\nRekomendasi pembuatan keluaran\n\nBagian Best Practices pada kartu membedakan beberapa preset. 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 tugas penalaran dengan respons langsung, Best Practices justru merekomendasikan temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Ini merupakan resep khusus tugas, bukan nilai yang boleh dicampur sembarangan. Presence penalty yang lebih besar dapat menyebabkan pencampuran bahasa atau sedikit penurunan kualitas.\n\nQwen merekomendasikan alokasi pembuatan keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk pertanyaan matematika atau pemrograman yang sangat kompleks. Itu merupakan rekomendasi, bukan batas atas keluaran tegas yang independen. Tentukan format jawaban, seperti hasil matematika dengan pembatas atau kolom jawaban, dan verifikasi kesimpulan terhadap sumber.\n\nDetail video dan batasan substantif\n\nContoh video dari pembuatnya secara bawaan menggunakan dua bingkai per detik dalam alur kerja yang didukung. Panduan untuk video berdurasi dalam hitungan jam memperluas anggaran pemroses video menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Ini merupakan contoh yang bergantung pada konfigurasi, bukan jaminan durasi atau waktu kejadian universal. Jaga tulisan kecil dan transisi adegan penting tetap terbaca, dan periksa teks hasil ekstraksi, perhitungan, serta kode yang dihasilkan sebelum menggunakan hasilnya. Nilai praktis edisi 9B adalah cakupan tugas teks/visual gabungan yang didokumentasikan dan mode respons yang dapat dikendalikan, dengan identitas dense yang tepat tetap dipertahankan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B adalah model visi-bahasa dense Qwen dengan 9 miliar parameter untuk teks, gambar, dan video, dengan keluaran teks. Model ini menggabungkan penalaran, pemrograman, pemanggilan alat, dan pekerjaan multibahasa, dengan mode berpikir yang dapat dipilih serta konteks native 262,144 token yang dapat diperluas melalui konfigurasi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.5 dalam edisi dense 9B
Qwen3.5-9B adalah checkpoint visi-bahasa dense dengan 9 miliar parameter yang telah melalui pascapelatihan. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Keluarga ini menyatukan penalaran, pemrograman, agen, dan pemahaman visual melalui fusi awal pelatihan teks dan visual, reinforcement learning pada tugas yang semakin kompleks, serta dukungan untuk 201 bahasa dan dialek. Cakupan bahasa tersebut merupakan kemampuan keluarga, bukan jaminan keandalan yang identik untuk setiap bahasa atau topik.
Untuk pekerjaan dokumen multibahasa, nyatakan bahasa sasaran, pertahankan istilah teknis, dan minta hasil mengidentifikasi kolom atau bagian sumber yang digunakannya. Untuk pertanyaan visual, berikan gambar yang terbaca dan tugas yang tepat. Untuk permintaan pemrograman kecil, berikan masukan, perilaku yang diinginkan, dan kode yang relevan. Model tidak menghasilkan gambar atau video ketika menganalisis materi visual.
Ikhtisar model
Model 9B yang spesifik ini bersifat dense, dengan 32 lapisan model bahasa dan encoder visi. Tata letak hibridanya mengulangi tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, menggunakan jaringan feed-forward dense. Prediksi multi-token disertakan dalam pelatihan. Keluarga ini juga memuat model expert sparse, tetapi deskripsi parameter total versus aktifnya tidak boleh diterapkan pada edisi dense ini.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Konfigurasi dan ukuran numerik model harus tetap dibedakan dari checkpoint Base-nya, ukuran Qwen3.5 lain, serta build terkuantisasi. Jumlah parameter yang lebih kecil mengidentifikasi edisi; hal itu tidak dengan sendirinya menetapkan waktu respons universal atau peringkat kualitas. Untuk tugas berpikir kompleks, Qwen merekomendasikan mempertahankan konteks terkonfigurasi setidaknya 128K token jika memungkinkan.
Masukan dan mode respons
Pembuatnya memperlihatkan pertanyaan hanya teks, gambar, dan video. Berikan pertanyaan dokumen dengan halaman yang relevan serta kolom yang diharapkan, atau pertanyaan video dengan kejadian dan rentang waktu yang penting. Pertahankan label, satuan, dan urutan bingkai. Minta hasil yang dapat dibandingkan dengan sumber, seperti tabel nilai hasil ekstraksi atau penjelasan yang mengutip bukti yang terlihat.
Berpikir diaktifkan secara bawaan. enable_thinking dapat menonaktifkan penalaran untuk respons langsung, sedangkan sakelar soft prompt /think dan /nothink yang lebih lama tidak didukung secara resmi. Gunakan templat pembuatnya dan pisahkan penalaran dari teks akhir ketika antarmuka menyediakan keduanya. Rekomendasi riwayat Qwen3.5 adalah mempertahankan jawaban akhir tanpa konten berpikirnya; perilaku pemeliharaan historis yang lebih baru tidak boleh diimpor ke rilis ini.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent, termasuk alat yang dikonfigurasi atau terhubung melalui MCP, serta Qwen Code untuk pekerjaan agen pemrograman. Nyatakan alat yang diizinkan dan hasil yang dapat diamati. Alat terhubung dapat memberikan perhitungan, retrieval sumber, atau umpan balik eksekusi nyata; model kemudian dapat menggunakan informasi itu dalam jawabannya. Alat dan tindakan eksternal merupakan tanggung jawab aplikasi, sehingga nama model saja tidak menetapkan akses atau eksekusi.
Teks sangat panjang
Perluasan yang didokumentasikan menggunakan YaRN dengan pengaturan posisi checkpoint ini sendiri. Faktor empat menargetkan alur kerja sekitar satu juta token; untuk 524,288 token, pembuatnya menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks lebih panjang. Masukan, representasi visual, riwayat, penalaran, dan keluaran akhir berbagi anggaran urutan. Susun materi panjang menurut dokumen atau pengenal kode dan sisakan ruang untuk artefak yang diminta.
Rekomendasi pembuatan keluaran
Bagian Best Practices pada kartu membedakan beberapa preset. 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 tugas penalaran dengan respons langsung, Best Practices justru merekomendasikan temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Ini merupakan resep khusus tugas, bukan nilai yang boleh dicampur sembarangan. Presence penalty yang lebih besar dapat menyebabkan pencampuran bahasa atau sedikit penurunan kualitas.
Qwen merekomendasikan alokasi pembuatan keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk pertanyaan matematika atau pemrograman yang sangat kompleks. Itu merupakan rekomendasi, bukan batas atas keluaran tegas yang independen. Tentukan format jawaban, seperti hasil matematika dengan pembatas atau kolom jawaban, dan verifikasi kesimpulan terhadap sumber.
Detail video dan batasan substantif
Contoh video dari pembuatnya secara bawaan menggunakan dua bingkai per detik dalam alur kerja yang didukung. Panduan untuk video berdurasi dalam hitungan jam memperluas anggaran pemroses video menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Ini merupakan contoh yang bergantung pada konfigurasi, bukan jaminan durasi atau waktu kejadian universal. Jaga tulisan kecil dan transisi adegan penting tetap terbaca, dan periksa teks hasil ekstraksi, perhitungan, serta kode yang dihasilkan sebelum menggunakan hasilnya. Nilai praktis edisi 9B adalah cakupan tugas teks/visual gabungan yang didokumentasikan dan mode respons yang dapat dikendalikan, dengan identitas dense yang tepat tetap dipertahankan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.5-9b | 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 $0.0002 / 1K token Keluaran · Token keluaran $0.0003 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 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 $0.0002 / 1K token Keluaran · Token keluaran $0.0003 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3.5-9bQwen3.5-9B adalah model visi-bahasa dense Qwen dengan 9 miliar parameter untuk teks, gambar, dan video, dengan keluaran teks. Model ini menggabungkan penalaran, pemrograman, pemanggilan alat, dan pekerjaan multibahasa, dengan mode berpikir yang dapat dipilih serta konteks native 262,144 token yang dapat diperluas melalui konfigurasi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.5 dalam edisi dense 9B
Qwen3.5-9B adalah checkpoint visi-bahasa dense dengan 9 miliar parameter yang telah melalui pascapelatihan. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Keluarga ini menyatukan penalaran, pemrograman, agen, dan pemahaman visual melalui fusi awal pelatihan teks dan visual, reinforcement learning pada tugas yang semakin kompleks, serta dukungan untuk 201 bahasa dan dialek. Cakupan bahasa tersebut merupakan kemampuan keluarga, bukan jaminan keandalan yang identik untuk setiap bahasa atau topik.
Untuk pekerjaan dokumen multibahasa, nyatakan bahasa sasaran, pertahankan istilah teknis, dan minta hasil mengidentifikasi kolom atau bagian sumber yang digunakannya. Untuk pertanyaan visual, berikan gambar yang terbaca dan tugas yang tepat. Untuk permintaan pemrograman kecil, berikan masukan, perilaku yang diinginkan, dan kode yang relevan. Model tidak menghasilkan gambar atau video ketika menganalisis materi visual.
Ikhtisar model
Model 9B yang spesifik ini bersifat dense, dengan 32 lapisan model bahasa dan encoder visi. Tata letak hibridanya mengulangi tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, menggunakan jaringan feed-forward dense. Prediksi multi-token disertakan dalam pelatihan. Keluarga ini juga memuat model expert sparse, tetapi deskripsi parameter total versus aktifnya tidak boleh diterapkan pada edisi dense ini.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Konfigurasi dan ukuran numerik model harus tetap dibedakan dari checkpoint Base-nya, ukuran Qwen3.5 lain, serta build terkuantisasi. Jumlah parameter yang lebih kecil mengidentifikasi edisi; hal itu tidak dengan sendirinya menetapkan waktu respons universal atau peringkat kualitas. Untuk tugas berpikir kompleks, Qwen merekomendasikan mempertahankan konteks terkonfigurasi setidaknya 128K token jika memungkinkan.
Masukan dan mode respons
Pembuatnya memperlihatkan pertanyaan hanya teks, gambar, dan video. Berikan pertanyaan dokumen dengan halaman yang relevan serta kolom yang diharapkan, atau pertanyaan video dengan kejadian dan rentang waktu yang penting. Pertahankan label, satuan, dan urutan bingkai. Minta hasil yang dapat dibandingkan dengan sumber, seperti tabel nilai hasil ekstraksi atau penjelasan yang mengutip bukti yang terlihat.
Berpikir diaktifkan secara bawaan. enable_thinking dapat menonaktifkan penalaran untuk respons langsung, sedangkan sakelar soft prompt /think dan /nothink yang lebih lama tidak didukung secara resmi. Gunakan templat pembuatnya dan pisahkan penalaran dari teks akhir ketika antarmuka menyediakan keduanya. Rekomendasi riwayat Qwen3.5 adalah mempertahankan jawaban akhir tanpa konten berpikirnya; perilaku pemeliharaan historis yang lebih baru tidak boleh diimpor ke rilis ini.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent, termasuk alat yang dikonfigurasi atau terhubung melalui MCP, serta Qwen Code untuk pekerjaan agen pemrograman. Nyatakan alat yang diizinkan dan hasil yang dapat diamati. Alat terhubung dapat memberikan perhitungan, retrieval sumber, atau umpan balik eksekusi nyata; model kemudian dapat menggunakan informasi itu dalam jawabannya. Alat dan tindakan eksternal merupakan tanggung jawab aplikasi, sehingga nama model saja tidak menetapkan akses atau eksekusi.
Teks sangat panjang
Perluasan yang didokumentasikan menggunakan YaRN dengan pengaturan posisi checkpoint ini sendiri. Faktor empat menargetkan alur kerja sekitar satu juta token; untuk 524,288 token, pembuatnya menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks lebih panjang. Masukan, representasi visual, riwayat, penalaran, dan keluaran akhir berbagi anggaran urutan. Susun materi panjang menurut dokumen atau pengenal kode dan sisakan ruang untuk artefak yang diminta.
Rekomendasi pembuatan keluaran
Bagian Best Practices pada kartu membedakan beberapa preset. 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 tugas penalaran dengan respons langsung, Best Practices justru merekomendasikan temperature 1.0, top_p 1.0, top_k 40, dan presence penalty 2.0. Ini merupakan resep khusus tugas, bukan nilai yang boleh dicampur sembarangan. Presence penalty yang lebih besar dapat menyebabkan pencampuran bahasa atau sedikit penurunan kualitas.
Qwen merekomendasikan alokasi pembuatan keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk pertanyaan matematika atau pemrograman yang sangat kompleks. Itu merupakan rekomendasi, bukan batas atas keluaran tegas yang independen. Tentukan format jawaban, seperti hasil matematika dengan pembatas atau kolom jawaban, dan verifikasi kesimpulan terhadap sumber.
Detail video dan batasan substantif
Contoh video dari pembuatnya secara bawaan menggunakan dua bingkai per detik dalam alur kerja yang didukung. Panduan untuk video berdurasi dalam hitungan jam memperluas anggaran pemroses video menjadi sekitar 224K token video untuk pengambilan sampel berlaju lebih tinggi. Ini merupakan contoh yang bergantung pada konfigurasi, bukan jaminan durasi atau waktu kejadian universal. Jaga tulisan kecil dan transisi adegan penting tetap terbaca, dan periksa teks hasil ekstraksi, perhitungan, serta kode yang dihasilkan sebelum menggunakan hasilnya. Nilai praktis edisi 9B adalah cakupan tugas teks/visual gabungan yang didokumentasikan dan mode respons yang dapat dikendalikan, dengan identitas dense yang tepat tetap dipertahankan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.5-9b | 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 $0.0002 / 1K token Keluaran · Token keluaran $0.0003 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 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 $0.0002 / 1K token Keluaran · Token keluaran $0.0003 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.