Caratteristiche principali di Qwen3.5 nell’edizione densa 27B
Qwen3.5-27B è un modello visivo-linguistico denso sottoposto a post-addestramento. Testo, immagini e video possono partecipare a un’unica attività, mentre il risultato è testuale: una spiegazione, una proposta di codice, informazioni estratte o un altro artefatto richiesto. La fusione precoce dell’addestramento testuale e visivo della famiglia sviluppa capacità di ragionamento, programmazione, agenti e visione, con apprendimento per rinforzo su attività sempre più complesse e supporto per 201 lingue e dialetti.
Tale copertura linguistica aiuta a impostare attività multilingui ma non garantisce identica affidabilità per ogni dialetto o vocabolario specialistico. Fornire lingua di destinazione, pubblico e termini che devono restare invariati. Per un confronto documentale fra lingue, etichettare ogni fonte e richiedere un risultato organizzato secondo i fatti o le domande da confrontare.
Panoramica del modello
La specifica edizione 27B è densa, con 64 strati nel modello linguistico e un encoder visivo. La sua struttura ibrida alterna gruppi di tre livelli Gated DeltaNet e un livello di attenzione con gating, usando reti feed-forward dense. La previsione di più token è inclusa nell’addestramento. L’architettura mixture-of-experts sparsa descritta per altre dimensioni Qwen3.5 non deve essere attribuita a questo modello; la sua identità da 27 miliardi di parametri è la specifica del proprio checkpoint.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Qwen raccomanda di mantenere almeno 128K di contesto, ove possibile, per attività di ragionamento complesse, consentendo impostazioni inferiori quando i vincoli di memoria lo richiedono. Sono indicazioni di configurazione anziché prove che ogni interfaccia esponga il contesto completo. Testo sorgente, token visivi, cronologia, ragionamento e risposta condividono il budget di sequenza.
Preparazione testuale e visiva
Per un documento tecnico, conservare identificatori di sezione e chiedere una tabella dei requisiti o una spiegazione supportata da tali sezioni. Per un diagramma, preservare le etichette e fornire definizioni non visibili nell’immagine. Per un’attività sul codice, fornire la funzione pertinente, il comportamento osservato e il risultato richiesto. Una risposta utile deve identificare le evidenze usate, separare le ipotesi e restituire l’artefatto finale in una forma esaminabile.
Per una domanda video, identificare l’evento o la sequenza rilevante e preservare tempi e ordine dei fotogrammi. L’esempio del produttore usa due fotogrammi al secondo nel flusso supportato. Le indicazioni sui video lunghi raccomandano un budget del processore maggiore, corrispondente a circa 224K token video, per analisi a frequenza maggiore su scala oraria. Queste impostazioni richiedono configurazione e non stabiliscono una durata universale né una garanzia esatta sui timestamp degli eventi.
Ragionamento e risposte dirette
Il ragionamento è abilitato per impostazione predefinita e precede la risposta finale. enable_thinking può disabilitarlo per una risposta diretta. Qwen3.5 non supporta ufficialmente i precedenti comandi nel prompt /think e /nothink. Il produttore raccomanda di conservare nei messaggi storici dell’assistente soltanto il testo della risposta finale anziché il contenuto di ragionamento. Questo è il contratto Qwen3.5 e deve restare separato dal comportamento di conservazione del ragionamento storico documentato per versioni successive.
Scegliere una forma finale prima di inviare l’attività: una breve conclusione con valori di supporto, una tabella di campi estratti o una patch di codice spiegata. Una risposta diretta resta una risposta generata da revisionare; una lunga trascrizione di ragionamento non è una prova indipendente della correttezza della conclusione.
Uso come agente
Il produttore supporta chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, più Qwen Code per i flussi con agenti di programmazione. Assegnare un ruolo chiaro agli strumenti dell’applicazione e restituire al modello le loro osservazioni effettive. Il modello può pianificare e rivedere usando tale feedback, mentre l’applicazione esegue le azioni. Il supporto agli strumenti non stabilisce di per sé accesso integrato a Internet, file o un ambiente di esecuzione del codice tramite ogni interfaccia.
Testi ultraestesi
L’estensione usa YaRN con la configurazione posizionale propria del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per 524,288 token. La scalatura statica può ridurre la qualità sui testi più brevi, quindi il produttore la raccomanda quando il contesto maggiore è effettivamente necessario. Mantenere organizzato il materiale lungo e riservare spazio alla risposta richiesta anziché interpretare il numero massimo di contesto come memoria illimitata dei documenti.
Indicazioni per la generazione e limiti
Le buone pratiche raccomandano temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0 per il ragionamento generale. La programmazione precisa usa temperature 0.6 e penalità di presenza zero. Le risposte dirette generali usano temperature 0.7, top_p 0.8 e penalità di presenza 1.5; top_k è 20, min_p è 0 e la penalità di ripetizione è 1.0. Il ragionamento con risposta diretta usa il preset separato delle buone pratiche con temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Penalità di presenza maggiori possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle attività e 81,920 per matematica o programmazione insolitamente complesse. Non sono limiti rigidi indipendenti dell’output. Indicare esplicitamente lo schema o il delimitatore della risposta e verificare codice, calcoli, citazioni e dettagli visivi rispetto alla fonte. Il risultato utile è un artefatto testuale concreto che preserva l’esatta identità densa 27B, gli input e la modalità di risposta.
", "aboutText": "Caratteristiche principali di Qwen3.5 nell’edizione densa 27B\n\nQwen3.5-27B è un modello visivo-linguistico denso sottoposto a post-addestramento. Testo, immagini e video possono partecipare a un’unica attività, mentre il risultato è testuale: una spiegazione, una proposta di codice, informazioni estratte o un altro artefatto richiesto. La fusione precoce dell’addestramento testuale e visivo della famiglia sviluppa capacità di ragionamento, programmazione, agenti e visione, con apprendimento per rinforzo su attività sempre più complesse e supporto per 201 lingue e dialetti.\n\nTale copertura linguistica aiuta a impostare attività multilingui ma non garantisce identica affidabilità per ogni dialetto o vocabolario specialistico. Fornire lingua di destinazione, pubblico e termini che devono restare invariati. Per un confronto documentale fra lingue, etichettare ogni fonte e richiedere un risultato organizzato secondo i fatti o le domande da confrontare.\n\nPanoramica del modello\n\nLa specifica edizione 27B è densa, con 64 strati nel modello linguistico e un encoder visivo. La sua struttura ibrida alterna gruppi di tre livelli Gated DeltaNet e un livello di attenzione con gating, usando reti feed-forward dense. La previsione di più token è inclusa nell’addestramento. L’architettura mixture-of-experts sparsa descritta per altre dimensioni Qwen3.5 non deve essere attribuita a questo modello; la sua identità da 27 miliardi di parametri è la specifica del proprio checkpoint.\n\nIl contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Qwen raccomanda di mantenere almeno 128K di contesto, ove possibile, per attività di ragionamento complesse, consentendo impostazioni inferiori quando i vincoli di memoria lo richiedono. Sono indicazioni di configurazione anziché prove che ogni interfaccia esponga il contesto completo. Testo sorgente, token visivi, cronologia, ragionamento e risposta condividono il budget di sequenza.\n\nPreparazione testuale e visiva\n\nPer un documento tecnico, conservare identificatori di sezione e chiedere una tabella dei requisiti o una spiegazione supportata da tali sezioni. Per un diagramma, preservare le etichette e fornire definizioni non visibili nell’immagine. Per un’attività sul codice, fornire la funzione pertinente, il comportamento osservato e il risultato richiesto. Una risposta utile deve identificare le evidenze usate, separare le ipotesi e restituire l’artefatto finale in una forma esaminabile.\n\nPer una domanda video, identificare l’evento o la sequenza rilevante e preservare tempi e ordine dei fotogrammi. L’esempio del produttore usa due fotogrammi al secondo nel flusso supportato. Le indicazioni sui video lunghi raccomandano un budget del processore maggiore, corrispondente a circa 224K token video, per analisi a frequenza maggiore su scala oraria. Queste impostazioni richiedono configurazione e non stabiliscono una durata universale né una garanzia esatta sui timestamp degli eventi.\n\nRagionamento e risposte dirette\n\nIl ragionamento è abilitato per impostazione predefinita e precede la risposta finale. enable_thinking può disabilitarlo per una risposta diretta. Qwen3.5 non supporta ufficialmente i precedenti comandi nel prompt /think e /nothink. Il produttore raccomanda di conservare nei messaggi storici dell’assistente soltanto il testo della risposta finale anziché il contenuto di ragionamento. Questo è il contratto Qwen3.5 e deve restare separato dal comportamento di conservazione del ragionamento storico documentato per versioni successive.\n\nScegliere una forma finale prima di inviare l’attività: una breve conclusione con valori di supporto, una tabella di campi estratti o una patch di codice spiegata. Una risposta diretta resta una risposta generata da revisionare; una lunga trascrizione di ragionamento non è una prova indipendente della correttezza della conclusione.\n\nUso come agente\n\nIl produttore supporta chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, più Qwen Code per i flussi con agenti di programmazione. Assegnare un ruolo chiaro agli strumenti dell’applicazione e restituire al modello le loro osservazioni effettive. Il modello può pianificare e rivedere usando tale feedback, mentre l’applicazione esegue le azioni. Il supporto agli strumenti non stabilisce di per sé accesso integrato a Internet, file o un ambiente di esecuzione del codice tramite ogni interfaccia.\n\nTesti ultraestesi\n\nL’estensione usa YaRN con la configurazione posizionale propria del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per 524,288 token. La scalatura statica può ridurre la qualità sui testi più brevi, quindi il produttore la raccomanda quando il contesto maggiore è effettivamente necessario. Mantenere organizzato il materiale lungo e riservare spazio alla risposta richiesta anziché interpretare il numero massimo di contesto come memoria illimitata dei documenti.\n\nIndicazioni per la generazione e limiti\n\nLe buone pratiche raccomandano temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0 per il ragionamento generale. La programmazione precisa usa temperature 0.6 e penalità di presenza zero. Le risposte dirette generali usano temperature 0.7, top_p 0.8 e penalità di presenza 1.5; top_k è 20, min_p è 0 e la penalità di ripetizione è 1.0. Il ragionamento con risposta diretta usa il preset separato delle buone pratiche con temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Penalità di presenza maggiori possono mescolare le lingue o ridurre leggermente la qualità.\n\nI budget di generazione raccomandati sono 32,768 token per la maggior parte delle attività e 81,920 per matematica o programmazione insolitamente complesse. Non sono limiti rigidi indipendenti dell’output. Indicare esplicitamente lo schema o il delimitatore della risposta e verificare codice, calcoli, citazioni e dettagli visivi rispetto alla fonte. Il risultato utile è un artefatto testuale concreto che preserva l’esatta identità densa 27B, gli input e la modalità di risposta.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B è il modello visivo-linguistico denso di Qwen da 27 miliardi di parametri per testo, immagini e video, con output testuale. Supporta ragionamento, programmazione, lavoro assistito da strumenti e attività multilingue, con ragionamento selezionabile e un contesto nativo di 262,144 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Caratteristiche principali di Qwen3.5 nell’edizione densa 27B
Qwen3.5-27B è un modello visivo-linguistico denso sottoposto a post-addestramento. Testo, immagini e video possono partecipare a un’unica attività, mentre il risultato è testuale: una spiegazione, una proposta di codice, informazioni estratte o un altro artefatto richiesto. La fusione precoce dell’addestramento testuale e visivo della famiglia sviluppa capacità di ragionamento, programmazione, agenti e visione, con apprendimento per rinforzo su attività sempre più complesse e supporto per 201 lingue e dialetti.
Tale copertura linguistica aiuta a impostare attività multilingui ma non garantisce identica affidabilità per ogni dialetto o vocabolario specialistico. Fornire lingua di destinazione, pubblico e termini che devono restare invariati. Per un confronto documentale fra lingue, etichettare ogni fonte e richiedere un risultato organizzato secondo i fatti o le domande da confrontare.
Panoramica del modello
La specifica edizione 27B è densa, con 64 strati nel modello linguistico e un encoder visivo. La sua struttura ibrida alterna gruppi di tre livelli Gated DeltaNet e un livello di attenzione con gating, usando reti feed-forward dense. La previsione di più token è inclusa nell’addestramento. L’architettura mixture-of-experts sparsa descritta per altre dimensioni Qwen3.5 non deve essere attribuita a questo modello; la sua identità da 27 miliardi di parametri è la specifica del proprio checkpoint.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Qwen raccomanda di mantenere almeno 128K di contesto, ove possibile, per attività di ragionamento complesse, consentendo impostazioni inferiori quando i vincoli di memoria lo richiedono. Sono indicazioni di configurazione anziché prove che ogni interfaccia esponga il contesto completo. Testo sorgente, token visivi, cronologia, ragionamento e risposta condividono il budget di sequenza.
Preparazione testuale e visiva
Per un documento tecnico, conservare identificatori di sezione e chiedere una tabella dei requisiti o una spiegazione supportata da tali sezioni. Per un diagramma, preservare le etichette e fornire definizioni non visibili nell’immagine. Per un’attività sul codice, fornire la funzione pertinente, il comportamento osservato e il risultato richiesto. Una risposta utile deve identificare le evidenze usate, separare le ipotesi e restituire l’artefatto finale in una forma esaminabile.
Per una domanda video, identificare l’evento o la sequenza rilevante e preservare tempi e ordine dei fotogrammi. L’esempio del produttore usa due fotogrammi al secondo nel flusso supportato. Le indicazioni sui video lunghi raccomandano un budget del processore maggiore, corrispondente a circa 224K token video, per analisi a frequenza maggiore su scala oraria. Queste impostazioni richiedono configurazione e non stabiliscono una durata universale né una garanzia esatta sui timestamp degli eventi.
Ragionamento e risposte dirette
Il ragionamento è abilitato per impostazione predefinita e precede la risposta finale. enable_thinking può disabilitarlo per una risposta diretta. Qwen3.5 non supporta ufficialmente i precedenti comandi nel prompt /think e /nothink. Il produttore raccomanda di conservare nei messaggi storici dell’assistente soltanto il testo della risposta finale anziché il contenuto di ragionamento. Questo è il contratto Qwen3.5 e deve restare separato dal comportamento di conservazione del ragionamento storico documentato per versioni successive.
Scegliere una forma finale prima di inviare l’attività: una breve conclusione con valori di supporto, una tabella di campi estratti o una patch di codice spiegata. Una risposta diretta resta una risposta generata da revisionare; una lunga trascrizione di ragionamento non è una prova indipendente della correttezza della conclusione.
Uso come agente
Il produttore supporta chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, più Qwen Code per i flussi con agenti di programmazione. Assegnare un ruolo chiaro agli strumenti dell’applicazione e restituire al modello le loro osservazioni effettive. Il modello può pianificare e rivedere usando tale feedback, mentre l’applicazione esegue le azioni. Il supporto agli strumenti non stabilisce di per sé accesso integrato a Internet, file o un ambiente di esecuzione del codice tramite ogni interfaccia.
Testi ultraestesi
L’estensione usa YaRN con la configurazione posizionale propria del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per 524,288 token. La scalatura statica può ridurre la qualità sui testi più brevi, quindi il produttore la raccomanda quando il contesto maggiore è effettivamente necessario. Mantenere organizzato il materiale lungo e riservare spazio alla risposta richiesta anziché interpretare il numero massimo di contesto come memoria illimitata dei documenti.
Indicazioni per la generazione e limiti
Le buone pratiche raccomandano temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0 per il ragionamento generale. La programmazione precisa usa temperature 0.6 e penalità di presenza zero. Le risposte dirette generali usano temperature 0.7, top_p 0.8 e penalità di presenza 1.5; top_k è 20, min_p è 0 e la penalità di ripetizione è 1.0. Il ragionamento con risposta diretta usa il preset separato delle buone pratiche con temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Penalità di presenza maggiori possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle attività e 81,920 per matematica o programmazione insolitamente complesse. Non sono limiti rigidi indipendenti dell’output. Indicare esplicitamente lo schema o il delimitatore della risposta e verificare codice, calcoli, citazioni e dettagli visivi rispetto alla fonte. Il risultato utile è un artefatto testuale concreto che preserva l’esatta identità densa 27B, gli input e la modalità di risposta.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.5-27b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00052 / 1K token Output · Token in output $0.00412 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00052 / 1K token Output · Token in output $0.00412 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-27b", "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/qwen3.5-27b',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/qwen3.5-27b',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3.5-27b
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3.5-27bQwen3.5-27B è il modello visivo-linguistico denso di Qwen da 27 miliardi di parametri per testo, immagini e video, con output testuale. Supporta ragionamento, programmazione, lavoro assistito da strumenti e attività multilingue, con ragionamento selezionabile e un contesto nativo di 262,144 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Caratteristiche principali di Qwen3.5 nell’edizione densa 27B
Qwen3.5-27B è un modello visivo-linguistico denso sottoposto a post-addestramento. Testo, immagini e video possono partecipare a un’unica attività, mentre il risultato è testuale: una spiegazione, una proposta di codice, informazioni estratte o un altro artefatto richiesto. La fusione precoce dell’addestramento testuale e visivo della famiglia sviluppa capacità di ragionamento, programmazione, agenti e visione, con apprendimento per rinforzo su attività sempre più complesse e supporto per 201 lingue e dialetti.
Tale copertura linguistica aiuta a impostare attività multilingui ma non garantisce identica affidabilità per ogni dialetto o vocabolario specialistico. Fornire lingua di destinazione, pubblico e termini che devono restare invariati. Per un confronto documentale fra lingue, etichettare ogni fonte e richiedere un risultato organizzato secondo i fatti o le domande da confrontare.
Panoramica del modello
La specifica edizione 27B è densa, con 64 strati nel modello linguistico e un encoder visivo. La sua struttura ibrida alterna gruppi di tre livelli Gated DeltaNet e un livello di attenzione con gating, usando reti feed-forward dense. La previsione di più token è inclusa nell’addestramento. L’architettura mixture-of-experts sparsa descritta per altre dimensioni Qwen3.5 non deve essere attribuita a questo modello; la sua identità da 27 miliardi di parametri è la specifica del proprio checkpoint.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Qwen raccomanda di mantenere almeno 128K di contesto, ove possibile, per attività di ragionamento complesse, consentendo impostazioni inferiori quando i vincoli di memoria lo richiedono. Sono indicazioni di configurazione anziché prove che ogni interfaccia esponga il contesto completo. Testo sorgente, token visivi, cronologia, ragionamento e risposta condividono il budget di sequenza.
Preparazione testuale e visiva
Per un documento tecnico, conservare identificatori di sezione e chiedere una tabella dei requisiti o una spiegazione supportata da tali sezioni. Per un diagramma, preservare le etichette e fornire definizioni non visibili nell’immagine. Per un’attività sul codice, fornire la funzione pertinente, il comportamento osservato e il risultato richiesto. Una risposta utile deve identificare le evidenze usate, separare le ipotesi e restituire l’artefatto finale in una forma esaminabile.
Per una domanda video, identificare l’evento o la sequenza rilevante e preservare tempi e ordine dei fotogrammi. L’esempio del produttore usa due fotogrammi al secondo nel flusso supportato. Le indicazioni sui video lunghi raccomandano un budget del processore maggiore, corrispondente a circa 224K token video, per analisi a frequenza maggiore su scala oraria. Queste impostazioni richiedono configurazione e non stabiliscono una durata universale né una garanzia esatta sui timestamp degli eventi.
Ragionamento e risposte dirette
Il ragionamento è abilitato per impostazione predefinita e precede la risposta finale. enable_thinking può disabilitarlo per una risposta diretta. Qwen3.5 non supporta ufficialmente i precedenti comandi nel prompt /think e /nothink. Il produttore raccomanda di conservare nei messaggi storici dell’assistente soltanto il testo della risposta finale anziché il contenuto di ragionamento. Questo è il contratto Qwen3.5 e deve restare separato dal comportamento di conservazione del ragionamento storico documentato per versioni successive.
Scegliere una forma finale prima di inviare l’attività: una breve conclusione con valori di supporto, una tabella di campi estratti o una patch di codice spiegata. Una risposta diretta resta una risposta generata da revisionare; una lunga trascrizione di ragionamento non è una prova indipendente della correttezza della conclusione.
Uso come agente
Il produttore supporta chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, più Qwen Code per i flussi con agenti di programmazione. Assegnare un ruolo chiaro agli strumenti dell’applicazione e restituire al modello le loro osservazioni effettive. Il modello può pianificare e rivedere usando tale feedback, mentre l’applicazione esegue le azioni. Il supporto agli strumenti non stabilisce di per sé accesso integrato a Internet, file o un ambiente di esecuzione del codice tramite ogni interfaccia.
Testi ultraestesi
L’estensione usa YaRN con la configurazione posizionale propria del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per 524,288 token. La scalatura statica può ridurre la qualità sui testi più brevi, quindi il produttore la raccomanda quando il contesto maggiore è effettivamente necessario. Mantenere organizzato il materiale lungo e riservare spazio alla risposta richiesta anziché interpretare il numero massimo di contesto come memoria illimitata dei documenti.
Indicazioni per la generazione e limiti
Le buone pratiche raccomandano temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0 per il ragionamento generale. La programmazione precisa usa temperature 0.6 e penalità di presenza zero. Le risposte dirette generali usano temperature 0.7, top_p 0.8 e penalità di presenza 1.5; top_k è 20, min_p è 0 e la penalità di ripetizione è 1.0. Il ragionamento con risposta diretta usa il preset separato delle buone pratiche con temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Penalità di presenza maggiori possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle attività e 81,920 per matematica o programmazione insolitamente complesse. Non sono limiti rigidi indipendenti dell’output. Indicare esplicitamente lo schema o il delimitatore della risposta e verificare codice, calcoli, citazioni e dettagli visivi rispetto alla fonte. Il risultato utile è un artefatto testuale concreto che preserva l’esatta identità densa 27B, gli input e la modalità di risposta.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.5-27b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00052 / 1K token Output · Token in output $0.00412 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00052 / 1K token Output · Token in output $0.00412 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-27b', '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/qwen3.5-27b', '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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3.5-27b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.