Keunggulan Qwen3.6: kesinambungan pemrograman dan penalaran
Qwen3.6-35B-A3B adalah model visi-bahasa yang berfokus pada pekerjaan pemrograman dan agen yang berguna. Qwen menyoroti alur kerja frontend dan penalaran tingkat repositori yang lebih kuat, serta opsi baru untuk mempertahankan proses berpikir dari pesan historis. Model menerima teks, gambar, dan video serta mengembalikan teks: penjelasan, usulan kode, analisis terstruktur, atau artefak tekstual lain yang diminta. Pertahankan edisi 35B-A3B yang spesifik ini, alih-alih memperlakukannya sebagai Qwen3.6-27B dense atau padanannya yang lebih lama dari Qwen3.5.
Untuk tugas frontend, berikan tangkapan layar yang relevan, persyaratan fungsional, dan konteks kode yang ada. Minta sumber yang dapat diedit serta deskripsi keadaan dan interaksi yang dimaksud. Untuk tugas repositori, identifikasi fitur yang terdampak, masukan yang memperlihatkan masalah, dan perilaku yang diharapkan. Minta usulan patch beserta asumsi serta pemeriksaan yang relevan.
Ikhtisar model
Model mixture-of-experts ini memiliki total 35 miliar parameter dan mengaktifkan tiga miliar. Tata letak hibrida 40 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Model ini memiliki 256 routed expert dan memilih delapan routed expert bersama satu shared expert; prediksi multi-token merupakan bagian dari pelatihan. Jumlah parameter aktif yang lebih kecil tidak menjelaskan ukuran checkpoint keseluruhan. Encoder visi menyediakan bagian visual model.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Pembuatnya merekomendasikan mempertahankan konteks setidaknya 128K jika memungkinkan untuk tugas berpikir yang kompleks, meskipun pengurangannya akan meringankan tekanan memori. Teks sumber, visual yang direpresentasikan, pesan historis, penalaran, dan jawaban akhir berbagi alokasi urutan yang dikonfigurasi.
Menggunakan masukan dan mode respons
Kartu memperlihatkan pertanyaan teks, gambar, dan video. Untuk diagram atau halaman, pertahankan label dan tetapkan pertanyaan yang tepat. Untuk klip, pertahankan waktu dan nyatakan kejadian yang menjadi perhatian. Contoh video yang didukung dari pembuatnya secara bawaan menggunakan dua bingkai per detik dan memungkinkan konfigurasi pengambilan sampel. Resep praktik terbaik memperluas anggaran pemroses video menjadi sekitar 224K token video untuk analisis materi berdurasi dalam hitungan jam dengan laju pengambilan sampel lebih tinggi; itu merupakan contoh konfigurasi, bukan batas durasi klip tegas yang universal.
Berpikir diaktifkan secara bawaan. Kontrol enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Qwen3.6 tidak secara resmi mendukung sakelar soft prompt Qwen3 yang lebih lama, /think dan /nothink. Pisahkan penalaran dari artefak akhir saat menyajikan hasil, dan ikuti antarmuka checkpoint ini sendiri, alih-alih menganggap penanda prompt atau kontrol dari generasi lain akan berlaku.
Mempertahankan proses berpikir historis
Secara bawaan, templat mempertahankan blok berpikir yang terkait dengan pesan pengguna terbaru. Qwen3.6 juga telah dilatih menggunakan penalaran historis ketika preserve_thinking diaktifkan. Contoh eksplisitnya menetapkan opsi itu ke true. Ini dapat membantu tugas agen iteratif mempertahankan konteks keputusan, alih-alih terus menurunkan ulang pilihan sebelumnya; hal itu juga mengubah jumlah riwayat yang dibawa permintaan. Ketersediaan opsi bergantung pada antarmuka yang menyediakan resep pembuatnya.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk konfigurasi alat, termasuk alat yang terhubung melalui MCP. Qwen Code merupakan alur kerja agen pemrograman lain yang didokumentasikan pembuatnya. Tetapkan alat yang diizinkan, tujuan tugas, dan hasil akhir yang diharapkan, lalu kembalikan pengamatan alat aktual ke model. Model dapat menalar tentang hasil dan merevisi rencana; akses ke berkas atau lingkungan eksekusi berasal dari aplikasi yang terhubung, bukan nama model.
Teks sangat panjang
Perluasan konteks yang didokumentasikan menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token; untuk beban kerja 524,288 token, Qwen menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga pembuatnya merekomendasikan perubahan ketika konteks lebih panjang diperlukan. Pertahankan pengenal bagian dan kode dalam masukan besar, lalu minta hasil menunjukkan bukti mana yang mendukung setiap kesimpulan.
Panduan pembuatan keluaran dan batasan
Untuk mode berpikir umum, pembuatnya merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0. Untuk pemrograman presisi, temperature menjadi 0.6 dan presence penalty nol. Untuk respons langsung, pembuatnya merekomendasikan temperature 0.7, top_p 0.8, dan presence penalty 1.5, dengan nilai lain tidak berubah. Presence penalty yang lebih tinggi dapat mengurangi pengulangan, tetapi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Qwen merekomendasikan alokasi pembuatan keluaran 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk tugas matematika atau pemrograman yang sangat kompleks. Ini merupakan rekomendasi, bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Nyatakan format akhir secara eksplisit dan periksa kode, perhitungan, serta detail visual hasil ekstraksi terhadap sumber. Kesinambungan penalaran dan konteks panjang membantu membawa bukti tugas, sedangkan artefak akhir yang dapat diperiksa membuat hasil berguna.
", "aboutText": "Keunggulan Qwen3.6: kesinambungan pemrograman dan penalaran\n\nQwen3.6-35B-A3B adalah model visi-bahasa yang berfokus pada pekerjaan pemrograman dan agen yang berguna. Qwen menyoroti alur kerja frontend dan penalaran tingkat repositori yang lebih kuat, serta opsi baru untuk mempertahankan proses berpikir dari pesan historis. Model menerima teks, gambar, dan video serta mengembalikan teks: penjelasan, usulan kode, analisis terstruktur, atau artefak tekstual lain yang diminta. Pertahankan edisi 35B-A3B yang spesifik ini, alih-alih memperlakukannya sebagai Qwen3.6-27B dense atau padanannya yang lebih lama dari Qwen3.5.\n\nUntuk tugas frontend, berikan tangkapan layar yang relevan, persyaratan fungsional, dan konteks kode yang ada. Minta sumber yang dapat diedit serta deskripsi keadaan dan interaksi yang dimaksud. Untuk tugas repositori, identifikasi fitur yang terdampak, masukan yang memperlihatkan masalah, dan perilaku yang diharapkan. Minta usulan patch beserta asumsi serta pemeriksaan yang relevan.\n\nIkhtisar model\n\nModel mixture-of-experts ini memiliki total 35 miliar parameter dan mengaktifkan tiga miliar. Tata letak hibrida 40 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Model ini memiliki 256 routed expert dan memilih delapan routed expert bersama satu shared expert; prediksi multi-token merupakan bagian dari pelatihan. Jumlah parameter aktif yang lebih kecil tidak menjelaskan ukuran checkpoint keseluruhan. Encoder visi menyediakan bagian visual model.\n\nKonteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Pembuatnya merekomendasikan mempertahankan konteks setidaknya 128K jika memungkinkan untuk tugas berpikir yang kompleks, meskipun pengurangannya akan meringankan tekanan memori. Teks sumber, visual yang direpresentasikan, pesan historis, penalaran, dan jawaban akhir berbagi alokasi urutan yang dikonfigurasi.\n\nMenggunakan masukan dan mode respons\n\nKartu memperlihatkan pertanyaan teks, gambar, dan video. Untuk diagram atau halaman, pertahankan label dan tetapkan pertanyaan yang tepat. Untuk klip, pertahankan waktu dan nyatakan kejadian yang menjadi perhatian. Contoh video yang didukung dari pembuatnya secara bawaan menggunakan dua bingkai per detik dan memungkinkan konfigurasi pengambilan sampel. Resep praktik terbaik memperluas anggaran pemroses video menjadi sekitar 224K token video untuk analisis materi berdurasi dalam hitungan jam dengan laju pengambilan sampel lebih tinggi; itu merupakan contoh konfigurasi, bukan batas durasi klip tegas yang universal.\n\nBerpikir diaktifkan secara bawaan. Kontrol enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Qwen3.6 tidak secara resmi mendukung sakelar soft prompt Qwen3 yang lebih lama, /think dan /nothink. Pisahkan penalaran dari artefak akhir saat menyajikan hasil, dan ikuti antarmuka checkpoint ini sendiri, alih-alih menganggap penanda prompt atau kontrol dari generasi lain akan berlaku.\n\nMempertahankan proses berpikir historis\n\nSecara bawaan, templat mempertahankan blok berpikir yang terkait dengan pesan pengguna terbaru. Qwen3.6 juga telah dilatih menggunakan penalaran historis ketika preserve_thinking diaktifkan. Contoh eksplisitnya menetapkan opsi itu ke true. Ini dapat membantu tugas agen iteratif mempertahankan konteks keputusan, alih-alih terus menurunkan ulang pilihan sebelumnya; hal itu juga mengubah jumlah riwayat yang dibawa permintaan. Ketersediaan opsi bergantung pada antarmuka yang menyediakan resep pembuatnya.\n\nPenggunaan agen\n\nQwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk konfigurasi alat, termasuk alat yang terhubung melalui MCP. Qwen Code merupakan alur kerja agen pemrograman lain yang didokumentasikan pembuatnya. Tetapkan alat yang diizinkan, tujuan tugas, dan hasil akhir yang diharapkan, lalu kembalikan pengamatan alat aktual ke model. Model dapat menalar tentang hasil dan merevisi rencana; akses ke berkas atau lingkungan eksekusi berasal dari aplikasi yang terhubung, bukan nama model.\n\nTeks sangat panjang\n\nPerluasan konteks yang didokumentasikan menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token; untuk beban kerja 524,288 token, Qwen menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga pembuatnya merekomendasikan perubahan ketika konteks lebih panjang diperlukan. Pertahankan pengenal bagian dan kode dalam masukan besar, lalu minta hasil menunjukkan bukti mana yang mendukung setiap kesimpulan.\n\nPanduan pembuatan keluaran dan batasan\n\nUntuk mode berpikir umum, pembuatnya merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0. Untuk pemrograman presisi, temperature menjadi 0.6 dan presence penalty nol. Untuk respons langsung, pembuatnya merekomendasikan temperature 0.7, top_p 0.8, dan presence penalty 1.5, dengan nilai lain tidak berubah. Presence penalty yang lebih tinggi dapat mengurangi pengulangan, tetapi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.\n\nQwen merekomendasikan alokasi pembuatan keluaran 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk tugas matematika atau pemrograman yang sangat kompleks. Ini merupakan rekomendasi, bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Nyatakan format akhir secara eksplisit dan periksa kode, perhitungan, serta detail visual hasil ekstraksi terhadap sumber. Kesinambungan penalaran dan konteks panjang membantu membawa bukti tugas, sedangkan artefak akhir yang dapat diperiksa membuat hasil berguna.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B adalah model visi-bahasa mixture-of-experts Qwen dengan total 35 miliar parameter dan 3 miliar yang diaktifkan. Model ini berfokus pada pemrograman frontend dan tingkat repositori, menambahkan pemeliharaan penalaran historis opsional, serta menerima teks, gambar, dan video dengan keluaran tekstual.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.6: kesinambungan pemrograman dan penalaran
Qwen3.6-35B-A3B adalah model visi-bahasa yang berfokus pada pekerjaan pemrograman dan agen yang berguna. Qwen menyoroti alur kerja frontend dan penalaran tingkat repositori yang lebih kuat, serta opsi baru untuk mempertahankan proses berpikir dari pesan historis. Model menerima teks, gambar, dan video serta mengembalikan teks: penjelasan, usulan kode, analisis terstruktur, atau artefak tekstual lain yang diminta. Pertahankan edisi 35B-A3B yang spesifik ini, alih-alih memperlakukannya sebagai Qwen3.6-27B dense atau padanannya yang lebih lama dari Qwen3.5.
Untuk tugas frontend, berikan tangkapan layar yang relevan, persyaratan fungsional, dan konteks kode yang ada. Minta sumber yang dapat diedit serta deskripsi keadaan dan interaksi yang dimaksud. Untuk tugas repositori, identifikasi fitur yang terdampak, masukan yang memperlihatkan masalah, dan perilaku yang diharapkan. Minta usulan patch beserta asumsi serta pemeriksaan yang relevan.
Ikhtisar model
Model mixture-of-experts ini memiliki total 35 miliar parameter dan mengaktifkan tiga miliar. Tata letak hibrida 40 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Model ini memiliki 256 routed expert dan memilih delapan routed expert bersama satu shared expert; prediksi multi-token merupakan bagian dari pelatihan. Jumlah parameter aktif yang lebih kecil tidak menjelaskan ukuran checkpoint keseluruhan. Encoder visi menyediakan bagian visual model.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Pembuatnya merekomendasikan mempertahankan konteks setidaknya 128K jika memungkinkan untuk tugas berpikir yang kompleks, meskipun pengurangannya akan meringankan tekanan memori. Teks sumber, visual yang direpresentasikan, pesan historis, penalaran, dan jawaban akhir berbagi alokasi urutan yang dikonfigurasi.
Menggunakan masukan dan mode respons
Kartu memperlihatkan pertanyaan teks, gambar, dan video. Untuk diagram atau halaman, pertahankan label dan tetapkan pertanyaan yang tepat. Untuk klip, pertahankan waktu dan nyatakan kejadian yang menjadi perhatian. Contoh video yang didukung dari pembuatnya secara bawaan menggunakan dua bingkai per detik dan memungkinkan konfigurasi pengambilan sampel. Resep praktik terbaik memperluas anggaran pemroses video menjadi sekitar 224K token video untuk analisis materi berdurasi dalam hitungan jam dengan laju pengambilan sampel lebih tinggi; itu merupakan contoh konfigurasi, bukan batas durasi klip tegas yang universal.
Berpikir diaktifkan secara bawaan. Kontrol enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Qwen3.6 tidak secara resmi mendukung sakelar soft prompt Qwen3 yang lebih lama, /think dan /nothink. Pisahkan penalaran dari artefak akhir saat menyajikan hasil, dan ikuti antarmuka checkpoint ini sendiri, alih-alih menganggap penanda prompt atau kontrol dari generasi lain akan berlaku.
Mempertahankan proses berpikir historis
Secara bawaan, templat mempertahankan blok berpikir yang terkait dengan pesan pengguna terbaru. Qwen3.6 juga telah dilatih menggunakan penalaran historis ketika preserve_thinking diaktifkan. Contoh eksplisitnya menetapkan opsi itu ke true. Ini dapat membantu tugas agen iteratif mempertahankan konteks keputusan, alih-alih terus menurunkan ulang pilihan sebelumnya; hal itu juga mengubah jumlah riwayat yang dibawa permintaan. Ketersediaan opsi bergantung pada antarmuka yang menyediakan resep pembuatnya.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk konfigurasi alat, termasuk alat yang terhubung melalui MCP. Qwen Code merupakan alur kerja agen pemrograman lain yang didokumentasikan pembuatnya. Tetapkan alat yang diizinkan, tujuan tugas, dan hasil akhir yang diharapkan, lalu kembalikan pengamatan alat aktual ke model. Model dapat menalar tentang hasil dan merevisi rencana; akses ke berkas atau lingkungan eksekusi berasal dari aplikasi yang terhubung, bukan nama model.
Teks sangat panjang
Perluasan konteks yang didokumentasikan menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token; untuk beban kerja 524,288 token, Qwen menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga pembuatnya merekomendasikan perubahan ketika konteks lebih panjang diperlukan. Pertahankan pengenal bagian dan kode dalam masukan besar, lalu minta hasil menunjukkan bukti mana yang mendukung setiap kesimpulan.
Panduan pembuatan keluaran dan batasan
Untuk mode berpikir umum, pembuatnya merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0. Untuk pemrograman presisi, temperature menjadi 0.6 dan presence penalty nol. Untuk respons langsung, pembuatnya merekomendasikan temperature 0.7, top_p 0.8, dan presence penalty 1.5, dengan nilai lain tidak berubah. Presence penalty yang lebih tinggi dapat mengurangi pengulangan, tetapi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Qwen merekomendasikan alokasi pembuatan keluaran 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk tugas matematika atau pemrograman yang sangat kompleks. Ini merupakan rekomendasi, bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Nyatakan format akhir secara eksplisit dan periksa kode, perhitungan, serta detail visual hasil ekstraksi terhadap sumber. Kesinambungan penalaran dan konteks panjang membantu membawa bukti tugas, sedangkan artefak akhir yang dapat diperiksa membuat hasil berguna.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.6-35b-a3b | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.000566 / 1K token Keluaran · Token keluaran $0.00341 / 1K token Masukan · Pembacaan cache $0.0001 / 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 $0.000566 / 1K token Keluaran · Token keluaran $0.00341 / 1K token Masukan · Pembacaan cache $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B adalah model visi-bahasa mixture-of-experts Qwen dengan total 35 miliar parameter dan 3 miliar yang diaktifkan. Model ini berfokus pada pemrograman frontend dan tingkat repositori, menambahkan pemeliharaan penalaran historis opsional, serta menerima teks, gambar, dan video dengan keluaran tekstual.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.6: kesinambungan pemrograman dan penalaran
Qwen3.6-35B-A3B adalah model visi-bahasa yang berfokus pada pekerjaan pemrograman dan agen yang berguna. Qwen menyoroti alur kerja frontend dan penalaran tingkat repositori yang lebih kuat, serta opsi baru untuk mempertahankan proses berpikir dari pesan historis. Model menerima teks, gambar, dan video serta mengembalikan teks: penjelasan, usulan kode, analisis terstruktur, atau artefak tekstual lain yang diminta. Pertahankan edisi 35B-A3B yang spesifik ini, alih-alih memperlakukannya sebagai Qwen3.6-27B dense atau padanannya yang lebih lama dari Qwen3.5.
Untuk tugas frontend, berikan tangkapan layar yang relevan, persyaratan fungsional, dan konteks kode yang ada. Minta sumber yang dapat diedit serta deskripsi keadaan dan interaksi yang dimaksud. Untuk tugas repositori, identifikasi fitur yang terdampak, masukan yang memperlihatkan masalah, dan perilaku yang diharapkan. Minta usulan patch beserta asumsi serta pemeriksaan yang relevan.
Ikhtisar model
Model mixture-of-experts ini memiliki total 35 miliar parameter dan mengaktifkan tiga miliar. Tata letak hibrida 40 lapisannya mengulangi tiga lapisan expert Gated DeltaNet yang diikuti satu lapisan expert gated-attention. Model ini memiliki 256 routed expert dan memilih delapan routed expert bersama satu shared expert; prediksi multi-token merupakan bagian dari pelatihan. Jumlah parameter aktif yang lebih kecil tidak menjelaskan ukuran checkpoint keseluruhan. Encoder visi menyediakan bagian visual model.
Konteks native-nya adalah 262,144 token, dengan perluasan bersyarat ke 1,010,000. Pembuatnya merekomendasikan mempertahankan konteks setidaknya 128K jika memungkinkan untuk tugas berpikir yang kompleks, meskipun pengurangannya akan meringankan tekanan memori. Teks sumber, visual yang direpresentasikan, pesan historis, penalaran, dan jawaban akhir berbagi alokasi urutan yang dikonfigurasi.
Menggunakan masukan dan mode respons
Kartu memperlihatkan pertanyaan teks, gambar, dan video. Untuk diagram atau halaman, pertahankan label dan tetapkan pertanyaan yang tepat. Untuk klip, pertahankan waktu dan nyatakan kejadian yang menjadi perhatian. Contoh video yang didukung dari pembuatnya secara bawaan menggunakan dua bingkai per detik dan memungkinkan konfigurasi pengambilan sampel. Resep praktik terbaik memperluas anggaran pemroses video menjadi sekitar 224K token video untuk analisis materi berdurasi dalam hitungan jam dengan laju pengambilan sampel lebih tinggi; itu merupakan contoh konfigurasi, bukan batas durasi klip tegas yang universal.
Berpikir diaktifkan secara bawaan. Kontrol enable_thinking dari pembuatnya dapat menonaktifkannya untuk jawaban langsung. Qwen3.6 tidak secara resmi mendukung sakelar soft prompt Qwen3 yang lebih lama, /think dan /nothink. Pisahkan penalaran dari artefak akhir saat menyajikan hasil, dan ikuti antarmuka checkpoint ini sendiri, alih-alih menganggap penanda prompt atau kontrol dari generasi lain akan berlaku.
Mempertahankan proses berpikir historis
Secara bawaan, templat mempertahankan blok berpikir yang terkait dengan pesan pengguna terbaru. Qwen3.6 juga telah dilatih menggunakan penalaran historis ketika preserve_thinking diaktifkan. Contoh eksplisitnya menetapkan opsi itu ke true. Ini dapat membantu tugas agen iteratif mempertahankan konteks keputusan, alih-alih terus menurunkan ulang pilihan sebelumnya; hal itu juga mengubah jumlah riwayat yang dibawa permintaan. Ketersediaan opsi bergantung pada antarmuka yang menyediakan resep pembuatnya.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk konfigurasi alat, termasuk alat yang terhubung melalui MCP. Qwen Code merupakan alur kerja agen pemrograman lain yang didokumentasikan pembuatnya. Tetapkan alat yang diizinkan, tujuan tugas, dan hasil akhir yang diharapkan, lalu kembalikan pengamatan alat aktual ke model. Model dapat menalar tentang hasil dan merevisi rencana; akses ke berkas atau lingkungan eksekusi berasal dari aplikasi yang terhubung, bukan nama model.
Teks sangat panjang
Perluasan konteks yang didokumentasikan menggunakan YaRN dengan pengaturan posisi interleaved checkpoint ini. Faktor empat menargetkan alur kerja sekitar satu juta token; untuk beban kerja 524,288 token, Qwen menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja teks yang lebih pendek, sehingga pembuatnya merekomendasikan perubahan ketika konteks lebih panjang diperlukan. Pertahankan pengenal bagian dan kode dalam masukan besar, lalu minta hasil menunjukkan bukti mana yang mendukung setiap kesimpulan.
Panduan pembuatan keluaran dan batasan
Untuk mode berpikir umum, pembuatnya merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5, dan repetition penalty 1.0. Untuk pemrograman presisi, temperature menjadi 0.6 dan presence penalty nol. Untuk respons langsung, pembuatnya merekomendasikan temperature 0.7, top_p 0.8, dan presence penalty 1.5, dengan nilai lain tidak berubah. Presence penalty yang lebih tinggi dapat mengurangi pengulangan, tetapi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Qwen merekomendasikan alokasi pembuatan keluaran 32,768 token untuk sebagian besar pertanyaan dan 81,920 untuk tugas matematika atau pemrograman yang sangat kompleks. Ini merupakan rekomendasi, bukan batas atas keluaran tegas yang ditetapkan secara terpisah. Nyatakan format akhir secara eksplisit dan periksa kode, perhitungan, serta detail visual hasil ekstraksi terhadap sumber. Kesinambungan penalaran dan konteks panjang membantu membawa bukti tugas, sedangkan artefak akhir yang dapat diperiksa membuat hasil berguna.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.6-35b-a3b | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.000566 / 1K token Keluaran · Token keluaran $0.00341 / 1K token Masukan · Pembacaan cache $0.0001 / 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 $0.000566 / 1K token Keluaran · Token keluaran $0.00341 / 1K token Masukan · Pembacaan cache $0.0001 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.