Keunggulan Qwen3.6 dalam model dense 27B
Qwen3.6-27B adalah model visi-bahasa dense yang dikembangkan dari Qwen3.5-27B. Pembuatnya menyoroti agen pemrograman dan penalaran STEM yang lebih kuat, dengan peningkatan pemahaman spasial, penentuan lokasi dan deteksi objek, OCR dokumen, pemahaman video, serta agen visual. Model menerima teks, gambar, dan video serta menghasilkan teks. Edisi dense yang spesifik ini berbeda dari model mixture-of-experts Qwen3.6-35B-A3B, meskipun keduanya berbagi generasi dan fokus tugas.
Untuk diagram STEM, berikan pernyataan lengkap dan pertahankan label serta satuan. Minta model memisahkan fakta yang terlihat langsung dari asumsi, lalu mengembalikan penjelasan dengan jawaban akhir yang jelas. Untuk dokumen, tentukan kolom atau klaim yang harus diekstrak dan minta referensi halaman pendukung. Untuk agen pemrograman, berikan modul yang relevan, perilaku yang diinginkan, dan umpan balik aktual dari alur kerja terhubung. Contoh ini menerapkan kemampuan yang didokumentasikan; contoh tersebut bukan klaim ekstraksi yang persis atau eksekusi yang berhasil.
Ikhtisar model
Model ini memiliki 27 miliar parameter dan 64 lapisan model bahasa. Tata letak hibridanya mengulangi tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, menggunakan jaringan feed-forward dense alih-alih expert sparse. Encoder visi menyediakan pemahaman gambar dan video, dan prediksi multi-token merupakan bagian dari pelatihan. Fakta arsitektur ini mengidentifikasi checkpoint tanpa memeringkat kualitas atau waktu respons setiap aplikasi.
Konteks native-nya adalah 262,144 token dan dapat diperluas ke 1,010,000 melalui konfigurasi. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk penalaran kompleks, sambil mengakui bahwa tekanan memori mungkin memerlukan pengaturan lebih kecil. Gambar dan video yang direpresentasikan, teks, pesan historis, proses berpikir, dan jawaban semuanya memakai ruang dalam urutan yang dikonfigurasi.
Masukan dan mode
Pembuatnya memperlihatkan pertanyaan teks, gambar, dan video. Berpikir diaktifkan secara bawaan, dengan blok penalaran sebelum respons akhir. enable_thinking dapat menonaktifkan perilaku tersebut untuk jawaban langsung. Qwen3.6 tidak secara resmi mendukung sakelar prompt /think dan /nothink yang lebih lama. Buat hasil yang diperlukan mudah dikenali setelah penjelasan, seperti nilai hasil perhitungan, tabel kolom hasil ekstraksi, atau patch kode yang dapat diedit.
Contoh video secara bawaan menggunakan dua bingkai per detik dalam alur kerja yang didukungnya. Untuk video berdurasi dalam hitungan jam, pembuatnya merekomendasikan peningkatan anggaran pemroses agar memungkinkan pengambilan sampel berlaju lebih tinggi, dengan contoh yang setara sekitar 224K token video. Detail visual yang lebih banyak memerlukan lebih banyak anggaran konteks dan pemrosesan. Pengaturan itu tidak menetapkan durasi video tanpa syarat atau akurasi stempel waktu kejadian yang persis untuk setiap antarmuka.
Proses berpikir historis
Templat bawaan mempertahankan proses berpikir yang terkait dengan pesan pengguna terbaru. Opsi preserve_thinking juga dapat mempertahankan penalaran dari pesan historis; contoh eksplisit pembuatnya mengaktifkannya dengan true. Ini dapat mendukung pengembangan iteratif ketika keputusan terdahulu tetap relevan setelah umpan balik alat baru. Hal ini berbeda dari perilaku pemeliharaan bawaan Qwen3.8 yang didokumentasikan dan dari panduan riwayat Qwen3.5 yang hanya menyimpan jawaban akhir. Ikuti format checkpoint yang tepat, alih-alih diam-diam mengganti aturan riwayatnya dengan aturan generasi lain.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan agen pemrograman. Nyatakan tindakan yang diizinkan dan kriteria penyelesaian yang dapat diamati. Alat dapat memeriksa materi yang diberikan atau mengembalikan hasil pemeriksaan nyata, setelah itu model dapat merevisi analisisnya. Model tidak memperoleh akses ke sistem berkas, sumber terkini, atau lingkungan eksekusi hanya dari spesialisasi agennya.
Masukan sangat panjang
Resep perluasan menggunakan YaRN dengan pengaturan posisi interleaved model ini. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat menurunkan kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks panjang. Beri label halaman, fungsi, dan batas dokumen, lalu minta kesimpulan yang mengidentifikasi bukti pendukung.
Rekomendasi pembuatan keluaran dan batasan
Bagian Best Practices pada kartu merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0 untuk mode berpikir umum. Untuk pemrograman presisi, temperature menjadi 0.6. Untuk respons langsung, temperature adalah 0.7, top_p 0.8, dan presence penalty 1.5, dengan nilai lain tidak berubah. Pembuatnya memperingatkan bahwa presence penalty yang lebih besar dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk pekerjaan matematika atau pemrograman yang sangat sulit. Alokasi tersebut bukan batas atas tegas yang ditetapkan secara terpisah. Tetapkan format jawaban akhir dan periksa teks hasil ekstraksi, kesimpulan spasial, perhitungan, serta kode yang diusulkan terhadap sumber. Konteks besar dan penalaran yang dipertahankan membantu membawa bukti sepanjang tugas; artefak yang dapat ditinjau tetap menjadi hasil yang berguna.
", "aboutText": "Keunggulan Qwen3.6 dalam model dense 27B\n\nQwen3.6-27B adalah model visi-bahasa dense yang dikembangkan dari Qwen3.5-27B. Pembuatnya menyoroti agen pemrograman dan penalaran STEM yang lebih kuat, dengan peningkatan pemahaman spasial, penentuan lokasi dan deteksi objek, OCR dokumen, pemahaman video, serta agen visual. Model menerima teks, gambar, dan video serta menghasilkan teks. Edisi dense yang spesifik ini berbeda dari model mixture-of-experts Qwen3.6-35B-A3B, meskipun keduanya berbagi generasi dan fokus tugas.\n\nUntuk diagram STEM, berikan pernyataan lengkap dan pertahankan label serta satuan. Minta model memisahkan fakta yang terlihat langsung dari asumsi, lalu mengembalikan penjelasan dengan jawaban akhir yang jelas. Untuk dokumen, tentukan kolom atau klaim yang harus diekstrak dan minta referensi halaman pendukung. Untuk agen pemrograman, berikan modul yang relevan, perilaku yang diinginkan, dan umpan balik aktual dari alur kerja terhubung. Contoh ini menerapkan kemampuan yang didokumentasikan; contoh tersebut bukan klaim ekstraksi yang persis atau eksekusi yang berhasil.\n\nIkhtisar model\n\nModel ini memiliki 27 miliar parameter dan 64 lapisan model bahasa. Tata letak hibridanya mengulangi tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, menggunakan jaringan feed-forward dense alih-alih expert sparse. Encoder visi menyediakan pemahaman gambar dan video, dan prediksi multi-token merupakan bagian dari pelatihan. Fakta arsitektur ini mengidentifikasi checkpoint tanpa memeringkat kualitas atau waktu respons setiap aplikasi.\n\nKonteks native-nya adalah 262,144 token dan dapat diperluas ke 1,010,000 melalui konfigurasi. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk penalaran kompleks, sambil mengakui bahwa tekanan memori mungkin memerlukan pengaturan lebih kecil. Gambar dan video yang direpresentasikan, teks, pesan historis, proses berpikir, dan jawaban semuanya memakai ruang dalam urutan yang dikonfigurasi.\n\nMasukan dan mode\n\nPembuatnya memperlihatkan pertanyaan teks, gambar, dan video. Berpikir diaktifkan secara bawaan, dengan blok penalaran sebelum respons akhir. enable_thinking dapat menonaktifkan perilaku tersebut untuk jawaban langsung. Qwen3.6 tidak secara resmi mendukung sakelar prompt /think dan /nothink yang lebih lama. Buat hasil yang diperlukan mudah dikenali setelah penjelasan, seperti nilai hasil perhitungan, tabel kolom hasil ekstraksi, atau patch kode yang dapat diedit.\n\nContoh video secara bawaan menggunakan dua bingkai per detik dalam alur kerja yang didukungnya. Untuk video berdurasi dalam hitungan jam, pembuatnya merekomendasikan peningkatan anggaran pemroses agar memungkinkan pengambilan sampel berlaju lebih tinggi, dengan contoh yang setara sekitar 224K token video. Detail visual yang lebih banyak memerlukan lebih banyak anggaran konteks dan pemrosesan. Pengaturan itu tidak menetapkan durasi video tanpa syarat atau akurasi stempel waktu kejadian yang persis untuk setiap antarmuka.\n\nProses berpikir historis\n\nTemplat bawaan mempertahankan proses berpikir yang terkait dengan pesan pengguna terbaru. Opsi preserve_thinking juga dapat mempertahankan penalaran dari pesan historis; contoh eksplisit pembuatnya mengaktifkannya dengan true. Ini dapat mendukung pengembangan iteratif ketika keputusan terdahulu tetap relevan setelah umpan balik alat baru. Hal ini berbeda dari perilaku pemeliharaan bawaan Qwen3.8 yang didokumentasikan dan dari panduan riwayat Qwen3.5 yang hanya menyimpan jawaban akhir. Ikuti format checkpoint yang tepat, alih-alih diam-diam mengganti aturan riwayatnya dengan aturan generasi lain.\n\nPenggunaan agen\n\nQwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan agen pemrograman. Nyatakan tindakan yang diizinkan dan kriteria penyelesaian yang dapat diamati. Alat dapat memeriksa materi yang diberikan atau mengembalikan hasil pemeriksaan nyata, setelah itu model dapat merevisi analisisnya. Model tidak memperoleh akses ke sistem berkas, sumber terkini, atau lingkungan eksekusi hanya dari spesialisasi agennya.\n\nMasukan sangat panjang\n\nResep perluasan menggunakan YaRN dengan pengaturan posisi interleaved model ini. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat menurunkan kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks panjang. Beri label halaman, fungsi, dan batas dokumen, lalu minta kesimpulan yang mengidentifikasi bukti pendukung.\n\nRekomendasi pembuatan keluaran dan batasan\n\nBagian Best Practices pada kartu merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0 untuk mode berpikir umum. Untuk pemrograman presisi, temperature menjadi 0.6. Untuk respons langsung, temperature adalah 0.7, top_p 0.8, dan presence penalty 1.5, dengan nilai lain tidak berubah. Pembuatnya memperingatkan bahwa presence penalty yang lebih besar dapat mencampurkan bahasa atau sedikit menurunkan kualitas.\n\nAlokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk pekerjaan matematika atau pemrograman yang sangat sulit. Alokasi tersebut bukan batas atas tegas yang ditetapkan secara terpisah. Tetapkan format jawaban akhir dan periksa teks hasil ekstraksi, kesimpulan spasial, perhitungan, serta kode yang diusulkan terhadap sumber. Konteks besar dan penalaran yang dipertahankan membantu membawa bukti sepanjang tugas; artefak yang dapat ditinjau tetap menjadi hasil yang berguna.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B adalah model visi-bahasa dense Qwen untuk pemrograman, penalaran STEM, dan analisis visual. Model ini menerima teks, gambar, dan video serta menghasilkan teks, dengan pilihan pemikiran, penyimpanan penalaran historis opsional, dan 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 Qwen3.6 dalam model dense 27B
Qwen3.6-27B adalah model visi-bahasa dense yang dikembangkan dari Qwen3.5-27B. Pembuatnya menyoroti agen pemrograman dan penalaran STEM yang lebih kuat, dengan peningkatan pemahaman spasial, penentuan lokasi dan deteksi objek, OCR dokumen, pemahaman video, serta agen visual. Model menerima teks, gambar, dan video serta menghasilkan teks. Edisi dense yang spesifik ini berbeda dari model mixture-of-experts Qwen3.6-35B-A3B, meskipun keduanya berbagi generasi dan fokus tugas.
Untuk diagram STEM, berikan pernyataan lengkap dan pertahankan label serta satuan. Minta model memisahkan fakta yang terlihat langsung dari asumsi, lalu mengembalikan penjelasan dengan jawaban akhir yang jelas. Untuk dokumen, tentukan kolom atau klaim yang harus diekstrak dan minta referensi halaman pendukung. Untuk agen pemrograman, berikan modul yang relevan, perilaku yang diinginkan, dan umpan balik aktual dari alur kerja terhubung. Contoh ini menerapkan kemampuan yang didokumentasikan; contoh tersebut bukan klaim ekstraksi yang persis atau eksekusi yang berhasil.
Ikhtisar model
Model ini memiliki 27 miliar parameter dan 64 lapisan model bahasa. Tata letak hibridanya mengulangi tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, menggunakan jaringan feed-forward dense alih-alih expert sparse. Encoder visi menyediakan pemahaman gambar dan video, dan prediksi multi-token merupakan bagian dari pelatihan. Fakta arsitektur ini mengidentifikasi checkpoint tanpa memeringkat kualitas atau waktu respons setiap aplikasi.
Konteks native-nya adalah 262,144 token dan dapat diperluas ke 1,010,000 melalui konfigurasi. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk penalaran kompleks, sambil mengakui bahwa tekanan memori mungkin memerlukan pengaturan lebih kecil. Gambar dan video yang direpresentasikan, teks, pesan historis, proses berpikir, dan jawaban semuanya memakai ruang dalam urutan yang dikonfigurasi.
Masukan dan mode
Pembuatnya memperlihatkan pertanyaan teks, gambar, dan video. Berpikir diaktifkan secara bawaan, dengan blok penalaran sebelum respons akhir. enable_thinking dapat menonaktifkan perilaku tersebut untuk jawaban langsung. Qwen3.6 tidak secara resmi mendukung sakelar prompt /think dan /nothink yang lebih lama. Buat hasil yang diperlukan mudah dikenali setelah penjelasan, seperti nilai hasil perhitungan, tabel kolom hasil ekstraksi, atau patch kode yang dapat diedit.
Contoh video secara bawaan menggunakan dua bingkai per detik dalam alur kerja yang didukungnya. Untuk video berdurasi dalam hitungan jam, pembuatnya merekomendasikan peningkatan anggaran pemroses agar memungkinkan pengambilan sampel berlaju lebih tinggi, dengan contoh yang setara sekitar 224K token video. Detail visual yang lebih banyak memerlukan lebih banyak anggaran konteks dan pemrosesan. Pengaturan itu tidak menetapkan durasi video tanpa syarat atau akurasi stempel waktu kejadian yang persis untuk setiap antarmuka.
Proses berpikir historis
Templat bawaan mempertahankan proses berpikir yang terkait dengan pesan pengguna terbaru. Opsi preserve_thinking juga dapat mempertahankan penalaran dari pesan historis; contoh eksplisit pembuatnya mengaktifkannya dengan true. Ini dapat mendukung pengembangan iteratif ketika keputusan terdahulu tetap relevan setelah umpan balik alat baru. Hal ini berbeda dari perilaku pemeliharaan bawaan Qwen3.8 yang didokumentasikan dan dari panduan riwayat Qwen3.5 yang hanya menyimpan jawaban akhir. Ikuti format checkpoint yang tepat, alih-alih diam-diam mengganti aturan riwayatnya dengan aturan generasi lain.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan agen pemrograman. Nyatakan tindakan yang diizinkan dan kriteria penyelesaian yang dapat diamati. Alat dapat memeriksa materi yang diberikan atau mengembalikan hasil pemeriksaan nyata, setelah itu model dapat merevisi analisisnya. Model tidak memperoleh akses ke sistem berkas, sumber terkini, atau lingkungan eksekusi hanya dari spesialisasi agennya.
Masukan sangat panjang
Resep perluasan menggunakan YaRN dengan pengaturan posisi interleaved model ini. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat menurunkan kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks panjang. Beri label halaman, fungsi, dan batas dokumen, lalu minta kesimpulan yang mengidentifikasi bukti pendukung.
Rekomendasi pembuatan keluaran dan batasan
Bagian Best Practices pada kartu merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0 untuk mode berpikir umum. Untuk pemrograman presisi, temperature menjadi 0.6. Untuk respons langsung, temperature adalah 0.7, top_p 0.8, dan presence penalty 1.5, dengan nilai lain tidak berubah. Pembuatnya memperingatkan bahwa presence penalty yang lebih besar dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk pekerjaan matematika atau pemrograman yang sangat sulit. Alokasi tersebut bukan batas atas tegas yang ditetapkan secara terpisah. Tetapkan format jawaban akhir dan periksa teks hasil ekstraksi, kesimpulan spasial, perhitungan, serta kode yang diusulkan terhadap sumber. Konteks besar dan penalaran yang dipertahankan membantu membawa bukti sepanjang tugas; artefak yang dapat ditinjau tetap menjadi hasil yang berguna.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.6-27b | 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 $0.0009 / 1K token Keluaran · Token keluaran $0.0054 / 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 $0.0009 / 1K token Keluaran · Token keluaran $0.0054 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.6-27b
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3.6-27bQwen3.6-27B adalah model visi-bahasa dense Qwen untuk pemrograman, penalaran STEM, dan analisis visual. Model ini menerima teks, gambar, dan video serta menghasilkan teks, dengan pilihan pemikiran, penyimpanan penalaran historis opsional, dan 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 Qwen3.6 dalam model dense 27B
Qwen3.6-27B adalah model visi-bahasa dense yang dikembangkan dari Qwen3.5-27B. Pembuatnya menyoroti agen pemrograman dan penalaran STEM yang lebih kuat, dengan peningkatan pemahaman spasial, penentuan lokasi dan deteksi objek, OCR dokumen, pemahaman video, serta agen visual. Model menerima teks, gambar, dan video serta menghasilkan teks. Edisi dense yang spesifik ini berbeda dari model mixture-of-experts Qwen3.6-35B-A3B, meskipun keduanya berbagi generasi dan fokus tugas.
Untuk diagram STEM, berikan pernyataan lengkap dan pertahankan label serta satuan. Minta model memisahkan fakta yang terlihat langsung dari asumsi, lalu mengembalikan penjelasan dengan jawaban akhir yang jelas. Untuk dokumen, tentukan kolom atau klaim yang harus diekstrak dan minta referensi halaman pendukung. Untuk agen pemrograman, berikan modul yang relevan, perilaku yang diinginkan, dan umpan balik aktual dari alur kerja terhubung. Contoh ini menerapkan kemampuan yang didokumentasikan; contoh tersebut bukan klaim ekstraksi yang persis atau eksekusi yang berhasil.
Ikhtisar model
Model ini memiliki 27 miliar parameter dan 64 lapisan model bahasa. Tata letak hibridanya mengulangi tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, menggunakan jaringan feed-forward dense alih-alih expert sparse. Encoder visi menyediakan pemahaman gambar dan video, dan prediksi multi-token merupakan bagian dari pelatihan. Fakta arsitektur ini mengidentifikasi checkpoint tanpa memeringkat kualitas atau waktu respons setiap aplikasi.
Konteks native-nya adalah 262,144 token dan dapat diperluas ke 1,010,000 melalui konfigurasi. Qwen menyarankan mempertahankan konteks setidaknya 128K jika memungkinkan untuk penalaran kompleks, sambil mengakui bahwa tekanan memori mungkin memerlukan pengaturan lebih kecil. Gambar dan video yang direpresentasikan, teks, pesan historis, proses berpikir, dan jawaban semuanya memakai ruang dalam urutan yang dikonfigurasi.
Masukan dan mode
Pembuatnya memperlihatkan pertanyaan teks, gambar, dan video. Berpikir diaktifkan secara bawaan, dengan blok penalaran sebelum respons akhir. enable_thinking dapat menonaktifkan perilaku tersebut untuk jawaban langsung. Qwen3.6 tidak secara resmi mendukung sakelar prompt /think dan /nothink yang lebih lama. Buat hasil yang diperlukan mudah dikenali setelah penjelasan, seperti nilai hasil perhitungan, tabel kolom hasil ekstraksi, atau patch kode yang dapat diedit.
Contoh video secara bawaan menggunakan dua bingkai per detik dalam alur kerja yang didukungnya. Untuk video berdurasi dalam hitungan jam, pembuatnya merekomendasikan peningkatan anggaran pemroses agar memungkinkan pengambilan sampel berlaju lebih tinggi, dengan contoh yang setara sekitar 224K token video. Detail visual yang lebih banyak memerlukan lebih banyak anggaran konteks dan pemrosesan. Pengaturan itu tidak menetapkan durasi video tanpa syarat atau akurasi stempel waktu kejadian yang persis untuk setiap antarmuka.
Proses berpikir historis
Templat bawaan mempertahankan proses berpikir yang terkait dengan pesan pengguna terbaru. Opsi preserve_thinking juga dapat mempertahankan penalaran dari pesan historis; contoh eksplisit pembuatnya mengaktifkannya dengan true. Ini dapat mendukung pengembangan iteratif ketika keputusan terdahulu tetap relevan setelah umpan balik alat baru. Hal ini berbeda dari perilaku pemeliharaan bawaan Qwen3.8 yang didokumentasikan dan dari panduan riwayat Qwen3.5 yang hanya menyimpan jawaban akhir. Ikuti format checkpoint yang tepat, alih-alih diam-diam mengganti aturan riwayatnya dengan aturan generasi lain.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent dengan alat yang dikonfigurasi atau terhubung melalui MCP, bersama Qwen Code untuk pekerjaan agen pemrograman. Nyatakan tindakan yang diizinkan dan kriteria penyelesaian yang dapat diamati. Alat dapat memeriksa materi yang diberikan atau mengembalikan hasil pemeriksaan nyata, setelah itu model dapat merevisi analisisnya. Model tidak memperoleh akses ke sistem berkas, sumber terkini, atau lingkungan eksekusi hanya dari spesialisasi agennya.
Masukan sangat panjang
Resep perluasan menggunakan YaRN dengan pengaturan posisi interleaved model ini. Faktor empat menargetkan alur kerja sekitar satu juta token; faktor dua disarankan untuk beban kerja 524,288 token. Penskalaan statis dapat menurunkan kinerja teks yang lebih pendek, sehingga harus mengikuti kebutuhan nyata akan konteks panjang. Beri label halaman, fungsi, dan batas dokumen, lalu minta kesimpulan yang mengidentifikasi bukti pendukung.
Rekomendasi pembuatan keluaran dan batasan
Bagian Best Practices pada kartu merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0 untuk mode berpikir umum. Untuk pemrograman presisi, temperature menjadi 0.6. Untuk respons langsung, temperature adalah 0.7, top_p 0.8, dan presence penalty 1.5, dengan nilai lain tidak berubah. Pembuatnya memperingatkan bahwa presence penalty yang lebih besar dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Alokasi pembuatan keluaran yang direkomendasikan adalah 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk pekerjaan matematika atau pemrograman yang sangat sulit. Alokasi tersebut bukan batas atas tegas yang ditetapkan secara terpisah. Tetapkan format jawaban akhir dan periksa teks hasil ekstraksi, kesimpulan spasial, perhitungan, serta kode yang diusulkan terhadap sumber. Konteks besar dan penalaran yang dipertahankan membantu membawa bukti sepanjang tugas; artefak yang dapat ditinjau tetap menjadi hasil yang berguna.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.6-27b | 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 $0.0009 / 1K token Keluaran · Token keluaran $0.0054 / 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 $0.0009 / 1K token Keluaran · Token keluaran $0.0054 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.6-27b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.