Caratteristiche principali di Qwen3.5: un checkpoint visivo-linguistico sparso
Qwen3.5-35B-A3B è un modello visivo-linguistico sottoposto a post-addestramento che combina comprensione di testo, immagini e video con risposte testuali. La famiglia è addestrata con fusione precoce testo–visione e apprendimento per rinforzo su attività progressivamente complesse, supportando ragionamento, programmazione, agenti e analisi visiva. Descrive inoltre una copertura di 201 lingue e dialetti. Tale copertura è una capacità della famiglia anziché una promessa di uguale qualità per ogni lingua o attività.
Lo specifico checkpoint aperto è separato da Qwen3.5-35B-A3B-Base e dalla versione Qwen3.6 successiva. Il produttore descrive anche un’offerta Flash gestita con funzionalità aggiuntive; tali funzionalità di interfaccia non devono essere assegnate automaticamente a questo checkpoint aperto. Preservare l’identità 35B-A3B richiesta quando si confrontano risultati o si conserva una selezione riproducibile del modello.
Panoramica del modello
Il modello mixture-of-experts ha 35 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 40 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Ha 256 esperti instradati, con otto esperti instradati e un esperto condiviso attivi nella struttura documentata. Un encoder visivo e la previsione di più token fanno parte del modello. Il numero di parametri attivati non descrive la dimensione completa del checkpoint e l’architettura da sola non garantisce la latenza in una particolare applicazione.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Qwen consiglia di mantenere almeno 128K di contesto, ove possibile, per attività di ragionamento complesse, anche se una finestra inferiore ridurrebbe la pressione sulla memoria. Testo, materiale visivo rappresentato, cronologia, ragionamento e risposta finale necessitano tutti di spazio nella sequenza configurata.
Usare gli input e le modalità di risposta
Per una richiesta di programmazione guidata da screenshot, fornire riferimento visivo, contesto sorgente esistente, requisiti di interazione e artefatto modificabile atteso. Per un grafico o un documento, conservare etichette e unità e richiedere una tabella di valori con evidenze di supporto. Per una spiegazione multilingue, indicare la lingua di destinazione e i termini da preservare.
Il ragionamento è abilitato per impostazione predefinita e produce un blocco di ragionamento prima della risposta finale. Il controllo enable_thinking del produttore può disabilitarlo per una risposta diretta. Qwen3.5 non supporta ufficialmente i vecchi comandi nel prompt /think e /nothink. Le indicazioni sulla cronologia mantengono le risposte finali senza il contenuto di ragionamento. Questo deve restare distinto dalle opzioni di conservazione successive di Qwen3.6 o dalla conservazione predefinita del ragionamento storico di Qwen3.8.
Uso come agente
Il produttore documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, insieme a Qwen Code per il lavoro orientato ai repository. Definire operazioni consentite, evidenze pertinenti e prodotto finale. L’applicazione esegue gli strumenti e ne fornisce le osservazioni; il modello può usare tale feedback per rivedere l’analisi. Un comando pianificato o una patch generata non sono un’azione eseguita e il solo nome del modello non stabilisce accesso a informazioni aggiornate o file.
Contesto ultraesteso
La procedura di estensione del produttore usa YaRN con le impostazioni posizionali interlacciate del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per attività da 524,288 token. La scalatura statica può ridurre le prestazioni dei testi più brevi, quindi va configurata quando serve il contesto maggiore. Organizzare il materiale lungo con confini dei documenti, identificatori di codice e una domanda chiara anziché riempire la finestra di evidenze estranee.
Raccomandazioni per la generazione
Nelle buone pratiche, il ragionamento generale usa temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0. 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. Per il ragionamento in modalità diretta, le buone pratiche indicano temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Mantenere distinti questi preset specifici per attività; penalità di presenza maggiori possono causare mescolanze linguistiche o un lieve calo della qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle domande e 81,920 per matematica o programmazione insolitamente complesse. Non sono limiti rigidi dell’output stabiliti separatamente. Definire esplicitamente la forma della risposta finale e verificare calcoli o codice generato rispetto alle condizioni fornite.
Video e limiti sostanziali
L’esempio video supportato usa per default due fotogrammi al secondo. Le indicazioni del produttore per video su scala oraria ampliano il budget del processore a circa 224K token video per campionamento a frequenza maggiore. Questo richiede configurazione e consuma contesto insieme all’attività e alla risposta; non è una garanzia incondizionata di durata o di ricordo perfetto degli eventi. Preservare transizioni di scena pertinenti e scritte piccole e richiedere un risultato collegato alle evidenze visibili. Il valore pratico è l’ambito congiunto testuale/visivo del checkpoint e la modalità di risposta selezionabile, con un artefatto concreto che possa essere esaminato.
", "aboutText": "Caratteristiche principali di Qwen3.5: un checkpoint visivo-linguistico sparso\n\nQwen3.5-35B-A3B è un modello visivo-linguistico sottoposto a post-addestramento che combina comprensione di testo, immagini e video con risposte testuali. La famiglia è addestrata con fusione precoce testo–visione e apprendimento per rinforzo su attività progressivamente complesse, supportando ragionamento, programmazione, agenti e analisi visiva. Descrive inoltre una copertura di 201 lingue e dialetti. Tale copertura è una capacità della famiglia anziché una promessa di uguale qualità per ogni lingua o attività.\n\nLo specifico checkpoint aperto è separato da Qwen3.5-35B-A3B-Base e dalla versione Qwen3.6 successiva. Il produttore descrive anche un’offerta Flash gestita con funzionalità aggiuntive; tali funzionalità di interfaccia non devono essere assegnate automaticamente a questo checkpoint aperto. Preservare l’identità 35B-A3B richiesta quando si confrontano risultati o si conserva una selezione riproducibile del modello.\n\nPanoramica del modello\n\nIl modello mixture-of-experts ha 35 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 40 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Ha 256 esperti instradati, con otto esperti instradati e un esperto condiviso attivi nella struttura documentata. Un encoder visivo e la previsione di più token fanno parte del modello. Il numero di parametri attivati non descrive la dimensione completa del checkpoint e l’architettura da sola non garantisce la latenza in una particolare applicazione.\n\nIl contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Qwen consiglia di mantenere almeno 128K di contesto, ove possibile, per attività di ragionamento complesse, anche se una finestra inferiore ridurrebbe la pressione sulla memoria. Testo, materiale visivo rappresentato, cronologia, ragionamento e risposta finale necessitano tutti di spazio nella sequenza configurata.\n\nUsare gli input e le modalità di risposta\n\nPer una richiesta di programmazione guidata da screenshot, fornire riferimento visivo, contesto sorgente esistente, requisiti di interazione e artefatto modificabile atteso. Per un grafico o un documento, conservare etichette e unità e richiedere una tabella di valori con evidenze di supporto. Per una spiegazione multilingue, indicare la lingua di destinazione e i termini da preservare.\n\nIl ragionamento è abilitato per impostazione predefinita e produce un blocco di ragionamento prima della risposta finale. Il controllo enable_thinking del produttore può disabilitarlo per una risposta diretta. Qwen3.5 non supporta ufficialmente i vecchi comandi nel prompt /think e /nothink. Le indicazioni sulla cronologia mantengono le risposte finali senza il contenuto di ragionamento. Questo deve restare distinto dalle opzioni di conservazione successive di Qwen3.6 o dalla conservazione predefinita del ragionamento storico di Qwen3.8.\n\nUso come agente\n\nIl produttore documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, insieme a Qwen Code per il lavoro orientato ai repository. Definire operazioni consentite, evidenze pertinenti e prodotto finale. L’applicazione esegue gli strumenti e ne fornisce le osservazioni; il modello può usare tale feedback per rivedere l’analisi. Un comando pianificato o una patch generata non sono un’azione eseguita e il solo nome del modello non stabilisce accesso a informazioni aggiornate o file.\n\nContesto ultraesteso\n\nLa procedura di estensione del produttore usa YaRN con le impostazioni posizionali interlacciate del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per attività da 524,288 token. La scalatura statica può ridurre le prestazioni dei testi più brevi, quindi va configurata quando serve il contesto maggiore. Organizzare il materiale lungo con confini dei documenti, identificatori di codice e una domanda chiara anziché riempire la finestra di evidenze estranee.\n\nRaccomandazioni per la generazione\n\nNelle buone pratiche, il ragionamento generale usa temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0. 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. Per il ragionamento in modalità diretta, le buone pratiche indicano temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Mantenere distinti questi preset specifici per attività; penalità di presenza maggiori possono causare mescolanze linguistiche o un lieve calo della qualità.\n\nI budget di generazione raccomandati sono 32,768 token per la maggior parte delle domande e 81,920 per matematica o programmazione insolitamente complesse. Non sono limiti rigidi dell’output stabiliti separatamente. Definire esplicitamente la forma della risposta finale e verificare calcoli o codice generato rispetto alle condizioni fornite.\n\nVideo e limiti sostanziali\n\nL’esempio video supportato usa per default due fotogrammi al secondo. Le indicazioni del produttore per video su scala oraria ampliano il budget del processore a circa 224K token video per campionamento a frequenza maggiore. Questo richiede configurazione e consuma contesto insieme all’attività e alla risposta; non è una garanzia incondizionata di durata o di ricordo perfetto degli eventi. Preservare transizioni di scena pertinenti e scritte piccole e richiedere un risultato collegato alle evidenze visibili. Il valore pratico è l’ambito congiunto testuale/visivo del checkpoint e la modalità di risposta selezionabile, con un artefatto concreto che possa essere esaminato.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B è il modello visivo-linguistico mixture-of-experts di Qwen con 35 miliardi di parametri totali e 3 miliardi attivati. Accetta testo, immagini e video per ragionamento, programmazione e lavoro assistito da strumenti, con modalità di ragionamento e risposta diretta 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: un checkpoint visivo-linguistico sparso
Qwen3.5-35B-A3B è un modello visivo-linguistico sottoposto a post-addestramento che combina comprensione di testo, immagini e video con risposte testuali. La famiglia è addestrata con fusione precoce testo–visione e apprendimento per rinforzo su attività progressivamente complesse, supportando ragionamento, programmazione, agenti e analisi visiva. Descrive inoltre una copertura di 201 lingue e dialetti. Tale copertura è una capacità della famiglia anziché una promessa di uguale qualità per ogni lingua o attività.
Lo specifico checkpoint aperto è separato da Qwen3.5-35B-A3B-Base e dalla versione Qwen3.6 successiva. Il produttore descrive anche un’offerta Flash gestita con funzionalità aggiuntive; tali funzionalità di interfaccia non devono essere assegnate automaticamente a questo checkpoint aperto. Preservare l’identità 35B-A3B richiesta quando si confrontano risultati o si conserva una selezione riproducibile del modello.
Panoramica del modello
Il modello mixture-of-experts ha 35 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 40 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Ha 256 esperti instradati, con otto esperti instradati e un esperto condiviso attivi nella struttura documentata. Un encoder visivo e la previsione di più token fanno parte del modello. Il numero di parametri attivati non descrive la dimensione completa del checkpoint e l’architettura da sola non garantisce la latenza in una particolare applicazione.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Qwen consiglia di mantenere almeno 128K di contesto, ove possibile, per attività di ragionamento complesse, anche se una finestra inferiore ridurrebbe la pressione sulla memoria. Testo, materiale visivo rappresentato, cronologia, ragionamento e risposta finale necessitano tutti di spazio nella sequenza configurata.
Usare gli input e le modalità di risposta
Per una richiesta di programmazione guidata da screenshot, fornire riferimento visivo, contesto sorgente esistente, requisiti di interazione e artefatto modificabile atteso. Per un grafico o un documento, conservare etichette e unità e richiedere una tabella di valori con evidenze di supporto. Per una spiegazione multilingue, indicare la lingua di destinazione e i termini da preservare.
Il ragionamento è abilitato per impostazione predefinita e produce un blocco di ragionamento prima della risposta finale. Il controllo enable_thinking del produttore può disabilitarlo per una risposta diretta. Qwen3.5 non supporta ufficialmente i vecchi comandi nel prompt /think e /nothink. Le indicazioni sulla cronologia mantengono le risposte finali senza il contenuto di ragionamento. Questo deve restare distinto dalle opzioni di conservazione successive di Qwen3.6 o dalla conservazione predefinita del ragionamento storico di Qwen3.8.
Uso come agente
Il produttore documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, insieme a Qwen Code per il lavoro orientato ai repository. Definire operazioni consentite, evidenze pertinenti e prodotto finale. L’applicazione esegue gli strumenti e ne fornisce le osservazioni; il modello può usare tale feedback per rivedere l’analisi. Un comando pianificato o una patch generata non sono un’azione eseguita e il solo nome del modello non stabilisce accesso a informazioni aggiornate o file.
Contesto ultraesteso
La procedura di estensione del produttore usa YaRN con le impostazioni posizionali interlacciate del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per attività da 524,288 token. La scalatura statica può ridurre le prestazioni dei testi più brevi, quindi va configurata quando serve il contesto maggiore. Organizzare il materiale lungo con confini dei documenti, identificatori di codice e una domanda chiara anziché riempire la finestra di evidenze estranee.
Raccomandazioni per la generazione
Nelle buone pratiche, il ragionamento generale usa temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0. 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. Per il ragionamento in modalità diretta, le buone pratiche indicano temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Mantenere distinti questi preset specifici per attività; penalità di presenza maggiori possono causare mescolanze linguistiche o un lieve calo della qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle domande e 81,920 per matematica o programmazione insolitamente complesse. Non sono limiti rigidi dell’output stabiliti separatamente. Definire esplicitamente la forma della risposta finale e verificare calcoli o codice generato rispetto alle condizioni fornite.
Video e limiti sostanziali
L’esempio video supportato usa per default due fotogrammi al secondo. Le indicazioni del produttore per video su scala oraria ampliano il budget del processore a circa 224K token video per campionamento a frequenza maggiore. Questo richiede configurazione e consuma contesto insieme all’attività e alla risposta; non è una garanzia incondizionata di durata o di ricordo perfetto degli eventi. Preservare transizioni di scena pertinenti e scritte piccole e richiedere un risultato collegato alle evidenze visibili. Il valore pratico è l’ambito congiunto testuale/visivo del checkpoint e la modalità di risposta selezionabile, con un artefatto concreto che possa essere esaminato.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K token Output · Token in output $0.00366 / 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 $0.00046 / 1K token Output · Token in output $0.00366 / 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/qwen3.5-35b-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/qwen3.5-35b-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/qwen3.5-35b-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 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/qwen3.5-35b-a3b
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B è il modello visivo-linguistico mixture-of-experts di Qwen con 35 miliardi di parametri totali e 3 miliardi attivati. Accetta testo, immagini e video per ragionamento, programmazione e lavoro assistito da strumenti, con modalità di ragionamento e risposta diretta 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: un checkpoint visivo-linguistico sparso
Qwen3.5-35B-A3B è un modello visivo-linguistico sottoposto a post-addestramento che combina comprensione di testo, immagini e video con risposte testuali. La famiglia è addestrata con fusione precoce testo–visione e apprendimento per rinforzo su attività progressivamente complesse, supportando ragionamento, programmazione, agenti e analisi visiva. Descrive inoltre una copertura di 201 lingue e dialetti. Tale copertura è una capacità della famiglia anziché una promessa di uguale qualità per ogni lingua o attività.
Lo specifico checkpoint aperto è separato da Qwen3.5-35B-A3B-Base e dalla versione Qwen3.6 successiva. Il produttore descrive anche un’offerta Flash gestita con funzionalità aggiuntive; tali funzionalità di interfaccia non devono essere assegnate automaticamente a questo checkpoint aperto. Preservare l’identità 35B-A3B richiesta quando si confrontano risultati o si conserva una selezione riproducibile del modello.
Panoramica del modello
Il modello mixture-of-experts ha 35 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 40 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Ha 256 esperti instradati, con otto esperti instradati e un esperto condiviso attivi nella struttura documentata. Un encoder visivo e la previsione di più token fanno parte del modello. Il numero di parametri attivati non descrive la dimensione completa del checkpoint e l’architettura da sola non garantisce la latenza in una particolare applicazione.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Qwen consiglia di mantenere almeno 128K di contesto, ove possibile, per attività di ragionamento complesse, anche se una finestra inferiore ridurrebbe la pressione sulla memoria. Testo, materiale visivo rappresentato, cronologia, ragionamento e risposta finale necessitano tutti di spazio nella sequenza configurata.
Usare gli input e le modalità di risposta
Per una richiesta di programmazione guidata da screenshot, fornire riferimento visivo, contesto sorgente esistente, requisiti di interazione e artefatto modificabile atteso. Per un grafico o un documento, conservare etichette e unità e richiedere una tabella di valori con evidenze di supporto. Per una spiegazione multilingue, indicare la lingua di destinazione e i termini da preservare.
Il ragionamento è abilitato per impostazione predefinita e produce un blocco di ragionamento prima della risposta finale. Il controllo enable_thinking del produttore può disabilitarlo per una risposta diretta. Qwen3.5 non supporta ufficialmente i vecchi comandi nel prompt /think e /nothink. Le indicazioni sulla cronologia mantengono le risposte finali senza il contenuto di ragionamento. Questo deve restare distinto dalle opzioni di conservazione successive di Qwen3.6 o dalla conservazione predefinita del ragionamento storico di Qwen3.8.
Uso come agente
Il produttore documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, insieme a Qwen Code per il lavoro orientato ai repository. Definire operazioni consentite, evidenze pertinenti e prodotto finale. L’applicazione esegue gli strumenti e ne fornisce le osservazioni; il modello può usare tale feedback per rivedere l’analisi. Un comando pianificato o una patch generata non sono un’azione eseguita e il solo nome del modello non stabilisce accesso a informazioni aggiornate o file.
Contesto ultraesteso
La procedura di estensione del produttore usa YaRN con le impostazioni posizionali interlacciate del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per attività da 524,288 token. La scalatura statica può ridurre le prestazioni dei testi più brevi, quindi va configurata quando serve il contesto maggiore. Organizzare il materiale lungo con confini dei documenti, identificatori di codice e una domanda chiara anziché riempire la finestra di evidenze estranee.
Raccomandazioni per la generazione
Nelle buone pratiche, il ragionamento generale usa temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0. 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. Per il ragionamento in modalità diretta, le buone pratiche indicano temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Mantenere distinti questi preset specifici per attività; penalità di presenza maggiori possono causare mescolanze linguistiche o un lieve calo della qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle domande e 81,920 per matematica o programmazione insolitamente complesse. Non sono limiti rigidi dell’output stabiliti separatamente. Definire esplicitamente la forma della risposta finale e verificare calcoli o codice generato rispetto alle condizioni fornite.
Video e limiti sostanziali
L’esempio video supportato usa per default due fotogrammi al secondo. Le indicazioni del produttore per video su scala oraria ampliano il budget del processore a circa 224K token video per campionamento a frequenza maggiore. Questo richiede configurazione e consuma contesto insieme all’attività e alla risposta; non è una garanzia incondizionata di durata o di ricordo perfetto degli eventi. Preservare transizioni di scena pertinenti e scritte piccole e richiedere un risultato collegato alle evidenze visibili. Il valore pratico è l’ambito congiunto testuale/visivo del checkpoint e la modalità di risposta selezionabile, con un artefatto concreto che possa essere esaminato.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K token Output · Token in output $0.00366 / 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 $0.00046 / 1K token Output · Token in output $0.00366 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-35b-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/qwen3.5-35b-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 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/qwen3.5-35b-a3b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.