Caratteristiche principali di Qwen3.5: il checkpoint 397B-A17B
Qwen3.5-397B-A17B è il modello visivo-linguistico mixture-of-experts sottoposto a post-addestramento della famiglia Qwen3.5. Accetta testo, immagini e video e genera testo: spiegazioni, proposte di codice, analisi e artefatti documentali richiesti. La famiglia usa fusione precoce testo–visione e apprendimento per rinforzo su attività progressivamente complesse per sviluppare ragionamento, programmazione, agenti e comprensione visiva. La copertura linguistica documentata è di 201 lingue e dialetti, anziché una promessa di identica affidabilità per ogni lingua o ambito specialistico.
Il produttore descrive separatamente Qwen3.5-Plus gestito come offerta corrispondente con funzionalità aggiuntive per la produzione. Preservare identità, contesto e procedura di generazione propri di questo checkpoint aperto anziché importare ogni funzionalità gestita o controllo Qwen successivo. La precisa edizione 397B-A17B resta distinta dai modelli densi e a esperti più piccoli della stessa famiglia.
Panoramica del modello
Il modello ha 397 miliardi di parametri totali e ne attiva 17 miliardi. La sua struttura ibrida a 60 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Il produttore elenca 512 esperti instradati e ne seleziona dieci insieme a un esperto condiviso. Un encoder visivo e la previsione di più token fanno parte del modello. Parametri totali, parametri attivati e dimensione di archiviazione del checkpoint completo sono concetti diversi; questi conteggi non stabiliscono un tempo di risposta fisso.
Il contesto nativo è di 262,144 token, con estensione condizionata fino a 1,010,000. Testo, immagini o video rappresentati, cronologia, ragionamento e risposta finale condividono il budget di sequenza configurato. Usare il budget effettivamente configurato per un’attività anziché presumere che il documento più grande e la risposta più grande rientrino automaticamente insieme.
Preparare evidenze testuali e visive
Per un progetto tecnico, fornire specifica, codice e diagrammi pertinenti e definire l’artefatto da produrre. Chiedere una proposta di implementazione organizzata per componenti interessati e sostenuta dai requisiti forniti. Per un confronto documentale, preservare identificatori di sezione, etichette delle tabelle e unità e richiedere una tabella dei risultati con evidenze per ogni riga. Per un rapporto multilingue, specificare la lingua di destinazione e i termini che devono restare invariati.
Per una domanda su un’immagine, preservare le etichette piccole e fornire definizioni assenti dalla figura. Per una domanda video, identificare l’evento pertinente e preservare ordine e tempi dei fotogrammi. Confrontare dettagli visivi restituiti, citazioni e descrizioni degli eventi con immagini, passaggi e timestamp originali. Il risultato resta analisi testuale o codice; l’input visivo del modello non implica generazione di immagini, video o parlato.
Ragionamento e cronologia della conversazione
Il ragionamento è abilitato per impostazione predefinita e precede la risposta finale. L’impostazione enable_thinking del produttore può disabilitarlo per una risposta diretta. I precedenti comandi nel prompt /think e /nothink non sono ufficialmente supportati per Qwen3.5. Mantenere l’artefatto finale facile da trovare dopo il ragionamento, come una conclusione delimitata, una tabella di evidenze o una proposta di codice separata.
La scheda raccomanda di conservare nei messaggi storici dell’assistente le risposte finali senza contenuto di ragionamento. Questo differisce dalle opzioni e dalle impostazioni predefinite di conservazione del ragionamento storico introdotte nelle versioni successive. Seguire il template di questo preciso checkpoint e mantenere correzioni o osservazioni degli strumenti associate all’attività che aggiornano.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, e Qwen Code per i flussi con agenti di programmazione. Indicare operazioni consentite, evidenze disponibili e criteri osservabili di completamento. Un’applicazione esegue gli strumenti e ne fornisce i risultati; il modello può usare tali osservazioni per rivedere il piano o la spiegazione. Un comando o una patch proposti restano distinti da un’azione effettivamente completata nell’ambiente.
Testi e video ultraestesi
L’estensione del produttore usa YaRN con le impostazioni posizionali interlacciate proprie del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per carichi di 524,288 token. La scalatura statica può influire sulle prestazioni con testi più brevi, quindi deve seguire una necessità reale di contesto più ampio. Organizzare un input lungo per documento, pagina o identificatore di codice e lasciare spazio al risultato.
L’esempio video supportato usa per default due fotogrammi al secondo. Per materiale della durata di ore, il produttore raccomanda un budget del processore maggiore, corrispondente a circa 224K token video per campionamento a frequenza maggiore. È una procedura dipendente dalla configurazione, non una garanzia universale di durata dei media, memoria completa o precisione dei timestamp.
Indicazioni per la generazione e limiti sostanziali
Le buone pratiche di questo checkpoint raccomandano temperature 0.6, top_p 0.95, top_k 20 e min_p 0 per il ragionamento, e temperature 0.7, top_p 0.8, top_k 20 e min_p 0 per risposte dirette. Queste raccomandazioni specifiche differiscono da quelle di alcune edizioni Qwen3.5 più piccole. Ove supportata, una penalità di presenza fra zero e due può ridurre le ripetizioni, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle richieste e 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi indipendenti dell’output. Specificare il formato richiesto della risposta e verificare calcoli, dettagli estratti e codice proposto rispetto alla fonte. L’output utile è un artefatto testuale concreto le cui evidenze e ipotesi possano essere esaminate.
", "aboutText": "Caratteristiche principali di Qwen3.5: il checkpoint 397B-A17B\n\nQwen3.5-397B-A17B è il modello visivo-linguistico mixture-of-experts sottoposto a post-addestramento della famiglia Qwen3.5. Accetta testo, immagini e video e genera testo: spiegazioni, proposte di codice, analisi e artefatti documentali richiesti. La famiglia usa fusione precoce testo–visione e apprendimento per rinforzo su attività progressivamente complesse per sviluppare ragionamento, programmazione, agenti e comprensione visiva. La copertura linguistica documentata è di 201 lingue e dialetti, anziché una promessa di identica affidabilità per ogni lingua o ambito specialistico.\n\nIl produttore descrive separatamente Qwen3.5-Plus gestito come offerta corrispondente con funzionalità aggiuntive per la produzione. Preservare identità, contesto e procedura di generazione propri di questo checkpoint aperto anziché importare ogni funzionalità gestita o controllo Qwen successivo. La precisa edizione 397B-A17B resta distinta dai modelli densi e a esperti più piccoli della stessa famiglia.\n\nPanoramica del modello\n\nIl modello ha 397 miliardi di parametri totali e ne attiva 17 miliardi. La sua struttura ibrida a 60 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Il produttore elenca 512 esperti instradati e ne seleziona dieci insieme a un esperto condiviso. Un encoder visivo e la previsione di più token fanno parte del modello. Parametri totali, parametri attivati e dimensione di archiviazione del checkpoint completo sono concetti diversi; questi conteggi non stabiliscono un tempo di risposta fisso.\n\nIl contesto nativo è di 262,144 token, con estensione condizionata fino a 1,010,000. Testo, immagini o video rappresentati, cronologia, ragionamento e risposta finale condividono il budget di sequenza configurato. Usare il budget effettivamente configurato per un’attività anziché presumere che il documento più grande e la risposta più grande rientrino automaticamente insieme.\n\nPreparare evidenze testuali e visive\n\nPer un progetto tecnico, fornire specifica, codice e diagrammi pertinenti e definire l’artefatto da produrre. Chiedere una proposta di implementazione organizzata per componenti interessati e sostenuta dai requisiti forniti. Per un confronto documentale, preservare identificatori di sezione, etichette delle tabelle e unità e richiedere una tabella dei risultati con evidenze per ogni riga. Per un rapporto multilingue, specificare la lingua di destinazione e i termini che devono restare invariati.\n\nPer una domanda su un’immagine, preservare le etichette piccole e fornire definizioni assenti dalla figura. Per una domanda video, identificare l’evento pertinente e preservare ordine e tempi dei fotogrammi. Confrontare dettagli visivi restituiti, citazioni e descrizioni degli eventi con immagini, passaggi e timestamp originali. Il risultato resta analisi testuale o codice; l’input visivo del modello non implica generazione di immagini, video o parlato.\n\nRagionamento e cronologia della conversazione\n\nIl ragionamento è abilitato per impostazione predefinita e precede la risposta finale. L’impostazione enable_thinking del produttore può disabilitarlo per una risposta diretta. I precedenti comandi nel prompt /think e /nothink non sono ufficialmente supportati per Qwen3.5. Mantenere l’artefatto finale facile da trovare dopo il ragionamento, come una conclusione delimitata, una tabella di evidenze o una proposta di codice separata.\n\nLa scheda raccomanda di conservare nei messaggi storici dell’assistente le risposte finali senza contenuto di ragionamento. Questo differisce dalle opzioni e dalle impostazioni predefinite di conservazione del ragionamento storico introdotte nelle versioni successive. Seguire il template di questo preciso checkpoint e mantenere correzioni o osservazioni degli strumenti associate all’attività che aggiornano.\n\nUso come agente\n\nQwen documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, e Qwen Code per i flussi con agenti di programmazione. Indicare operazioni consentite, evidenze disponibili e criteri osservabili di completamento. Un’applicazione esegue gli strumenti e ne fornisce i risultati; il modello può usare tali osservazioni per rivedere il piano o la spiegazione. Un comando o una patch proposti restano distinti da un’azione effettivamente completata nell’ambiente.\n\nTesti e video ultraestesi\n\nL’estensione del produttore usa YaRN con le impostazioni posizionali interlacciate proprie del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per carichi di 524,288 token. La scalatura statica può influire sulle prestazioni con testi più brevi, quindi deve seguire una necessità reale di contesto più ampio. Organizzare un input lungo per documento, pagina o identificatore di codice e lasciare spazio al risultato.\n\nL’esempio video supportato usa per default due fotogrammi al secondo. Per materiale della durata di ore, il produttore raccomanda un budget del processore maggiore, corrispondente a circa 224K token video per campionamento a frequenza maggiore. È una procedura dipendente dalla configurazione, non una garanzia universale di durata dei media, memoria completa o precisione dei timestamp.\n\nIndicazioni per la generazione e limiti sostanziali\n\nLe buone pratiche di questo checkpoint raccomandano temperature 0.6, top_p 0.95, top_k 20 e min_p 0 per il ragionamento, e temperature 0.7, top_p 0.8, top_k 20 e min_p 0 per risposte dirette. Queste raccomandazioni specifiche differiscono da quelle di alcune edizioni Qwen3.5 più piccole. Ove supportata, una penalità di presenza fra zero e due può ridurre le ripetizioni, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità.\n\nI budget di generazione raccomandati sono 32,768 token per la maggior parte delle richieste e 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi indipendenti dell’output. Specificare il formato richiesto della risposta e verificare calcoli, dettagli estratti e codice proposto rispetto alla fonte. L’output utile è un artefatto testuale concreto le cui evidenze e ipotesi possano essere esaminate.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B è il modello visivo-linguistico mixture-of-experts di Qwen con 397 miliardi di parametri totali e 17 miliardi attivati. Accetta testo, immagini e video e restituisce testo per ragionamento, programmazione e attività con agenti, 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: il checkpoint 397B-A17B
Qwen3.5-397B-A17B è il modello visivo-linguistico mixture-of-experts sottoposto a post-addestramento della famiglia Qwen3.5. Accetta testo, immagini e video e genera testo: spiegazioni, proposte di codice, analisi e artefatti documentali richiesti. La famiglia usa fusione precoce testo–visione e apprendimento per rinforzo su attività progressivamente complesse per sviluppare ragionamento, programmazione, agenti e comprensione visiva. La copertura linguistica documentata è di 201 lingue e dialetti, anziché una promessa di identica affidabilità per ogni lingua o ambito specialistico.
Il produttore descrive separatamente Qwen3.5-Plus gestito come offerta corrispondente con funzionalità aggiuntive per la produzione. Preservare identità, contesto e procedura di generazione propri di questo checkpoint aperto anziché importare ogni funzionalità gestita o controllo Qwen successivo. La precisa edizione 397B-A17B resta distinta dai modelli densi e a esperti più piccoli della stessa famiglia.
Panoramica del modello
Il modello ha 397 miliardi di parametri totali e ne attiva 17 miliardi. La sua struttura ibrida a 60 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Il produttore elenca 512 esperti instradati e ne seleziona dieci insieme a un esperto condiviso. Un encoder visivo e la previsione di più token fanno parte del modello. Parametri totali, parametri attivati e dimensione di archiviazione del checkpoint completo sono concetti diversi; questi conteggi non stabiliscono un tempo di risposta fisso.
Il contesto nativo è di 262,144 token, con estensione condizionata fino a 1,010,000. Testo, immagini o video rappresentati, cronologia, ragionamento e risposta finale condividono il budget di sequenza configurato. Usare il budget effettivamente configurato per un’attività anziché presumere che il documento più grande e la risposta più grande rientrino automaticamente insieme.
Preparare evidenze testuali e visive
Per un progetto tecnico, fornire specifica, codice e diagrammi pertinenti e definire l’artefatto da produrre. Chiedere una proposta di implementazione organizzata per componenti interessati e sostenuta dai requisiti forniti. Per un confronto documentale, preservare identificatori di sezione, etichette delle tabelle e unità e richiedere una tabella dei risultati con evidenze per ogni riga. Per un rapporto multilingue, specificare la lingua di destinazione e i termini che devono restare invariati.
Per una domanda su un’immagine, preservare le etichette piccole e fornire definizioni assenti dalla figura. Per una domanda video, identificare l’evento pertinente e preservare ordine e tempi dei fotogrammi. Confrontare dettagli visivi restituiti, citazioni e descrizioni degli eventi con immagini, passaggi e timestamp originali. Il risultato resta analisi testuale o codice; l’input visivo del modello non implica generazione di immagini, video o parlato.
Ragionamento e cronologia della conversazione
Il ragionamento è abilitato per impostazione predefinita e precede la risposta finale. L’impostazione enable_thinking del produttore può disabilitarlo per una risposta diretta. I precedenti comandi nel prompt /think e /nothink non sono ufficialmente supportati per Qwen3.5. Mantenere l’artefatto finale facile da trovare dopo il ragionamento, come una conclusione delimitata, una tabella di evidenze o una proposta di codice separata.
La scheda raccomanda di conservare nei messaggi storici dell’assistente le risposte finali senza contenuto di ragionamento. Questo differisce dalle opzioni e dalle impostazioni predefinite di conservazione del ragionamento storico introdotte nelle versioni successive. Seguire il template di questo preciso checkpoint e mantenere correzioni o osservazioni degli strumenti associate all’attività che aggiornano.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, e Qwen Code per i flussi con agenti di programmazione. Indicare operazioni consentite, evidenze disponibili e criteri osservabili di completamento. Un’applicazione esegue gli strumenti e ne fornisce i risultati; il modello può usare tali osservazioni per rivedere il piano o la spiegazione. Un comando o una patch proposti restano distinti da un’azione effettivamente completata nell’ambiente.
Testi e video ultraestesi
L’estensione del produttore usa YaRN con le impostazioni posizionali interlacciate proprie del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per carichi di 524,288 token. La scalatura statica può influire sulle prestazioni con testi più brevi, quindi deve seguire una necessità reale di contesto più ampio. Organizzare un input lungo per documento, pagina o identificatore di codice e lasciare spazio al risultato.
L’esempio video supportato usa per default due fotogrammi al secondo. Per materiale della durata di ore, il produttore raccomanda un budget del processore maggiore, corrispondente a circa 224K token video per campionamento a frequenza maggiore. È una procedura dipendente dalla configurazione, non una garanzia universale di durata dei media, memoria completa o precisione dei timestamp.
Indicazioni per la generazione e limiti sostanziali
Le buone pratiche di questo checkpoint raccomandano temperature 0.6, top_p 0.95, top_k 20 e min_p 0 per il ragionamento, e temperature 0.7, top_p 0.8, top_k 20 e min_p 0 per risposte dirette. Queste raccomandazioni specifiche differiscono da quelle di alcune edizioni Qwen3.5 più piccole. Ove supportata, una penalità di presenza fra zero e due può ridurre le ripetizioni, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle richieste e 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi indipendenti dell’output. Specificare il formato richiesto della risposta e verificare calcoli, dettagli estratti e codice proposto rispetto alla fonte. L’output utile è un artefatto testuale concreto le cui evidenze e ipotesi possano essere esaminate.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K token Output · Token in output $0.00468 / 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 $0.00078 / 1K token Output · Token in output $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B è il modello visivo-linguistico mixture-of-experts di Qwen con 397 miliardi di parametri totali e 17 miliardi attivati. Accetta testo, immagini e video e restituisce testo per ragionamento, programmazione e attività con agenti, 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: il checkpoint 397B-A17B
Qwen3.5-397B-A17B è il modello visivo-linguistico mixture-of-experts sottoposto a post-addestramento della famiglia Qwen3.5. Accetta testo, immagini e video e genera testo: spiegazioni, proposte di codice, analisi e artefatti documentali richiesti. La famiglia usa fusione precoce testo–visione e apprendimento per rinforzo su attività progressivamente complesse per sviluppare ragionamento, programmazione, agenti e comprensione visiva. La copertura linguistica documentata è di 201 lingue e dialetti, anziché una promessa di identica affidabilità per ogni lingua o ambito specialistico.
Il produttore descrive separatamente Qwen3.5-Plus gestito come offerta corrispondente con funzionalità aggiuntive per la produzione. Preservare identità, contesto e procedura di generazione propri di questo checkpoint aperto anziché importare ogni funzionalità gestita o controllo Qwen successivo. La precisa edizione 397B-A17B resta distinta dai modelli densi e a esperti più piccoli della stessa famiglia.
Panoramica del modello
Il modello ha 397 miliardi di parametri totali e ne attiva 17 miliardi. La sua struttura ibrida a 60 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Il produttore elenca 512 esperti instradati e ne seleziona dieci insieme a un esperto condiviso. Un encoder visivo e la previsione di più token fanno parte del modello. Parametri totali, parametri attivati e dimensione di archiviazione del checkpoint completo sono concetti diversi; questi conteggi non stabiliscono un tempo di risposta fisso.
Il contesto nativo è di 262,144 token, con estensione condizionata fino a 1,010,000. Testo, immagini o video rappresentati, cronologia, ragionamento e risposta finale condividono il budget di sequenza configurato. Usare il budget effettivamente configurato per un’attività anziché presumere che il documento più grande e la risposta più grande rientrino automaticamente insieme.
Preparare evidenze testuali e visive
Per un progetto tecnico, fornire specifica, codice e diagrammi pertinenti e definire l’artefatto da produrre. Chiedere una proposta di implementazione organizzata per componenti interessati e sostenuta dai requisiti forniti. Per un confronto documentale, preservare identificatori di sezione, etichette delle tabelle e unità e richiedere una tabella dei risultati con evidenze per ogni riga. Per un rapporto multilingue, specificare la lingua di destinazione e i termini che devono restare invariati.
Per una domanda su un’immagine, preservare le etichette piccole e fornire definizioni assenti dalla figura. Per una domanda video, identificare l’evento pertinente e preservare ordine e tempi dei fotogrammi. Confrontare dettagli visivi restituiti, citazioni e descrizioni degli eventi con immagini, passaggi e timestamp originali. Il risultato resta analisi testuale o codice; l’input visivo del modello non implica generazione di immagini, video o parlato.
Ragionamento e cronologia della conversazione
Il ragionamento è abilitato per impostazione predefinita e precede la risposta finale. L’impostazione enable_thinking del produttore può disabilitarlo per una risposta diretta. I precedenti comandi nel prompt /think e /nothink non sono ufficialmente supportati per Qwen3.5. Mantenere l’artefatto finale facile da trovare dopo il ragionamento, come una conclusione delimitata, una tabella di evidenze o una proposta di codice separata.
La scheda raccomanda di conservare nei messaggi storici dell’assistente le risposte finali senza contenuto di ragionamento. Questo differisce dalle opzioni e dalle impostazioni predefinite di conservazione del ragionamento storico introdotte nelle versioni successive. Seguire il template di questo preciso checkpoint e mantenere correzioni o osservazioni degli strumenti associate all’attività che aggiornano.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, e Qwen Code per i flussi con agenti di programmazione. Indicare operazioni consentite, evidenze disponibili e criteri osservabili di completamento. Un’applicazione esegue gli strumenti e ne fornisce i risultati; il modello può usare tali osservazioni per rivedere il piano o la spiegazione. Un comando o una patch proposti restano distinti da un’azione effettivamente completata nell’ambiente.
Testi e video ultraestesi
L’estensione del produttore usa YaRN con le impostazioni posizionali interlacciate proprie del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; un fattore di due è suggerito per carichi di 524,288 token. La scalatura statica può influire sulle prestazioni con testi più brevi, quindi deve seguire una necessità reale di contesto più ampio. Organizzare un input lungo per documento, pagina o identificatore di codice e lasciare spazio al risultato.
L’esempio video supportato usa per default due fotogrammi al secondo. Per materiale della durata di ore, il produttore raccomanda un budget del processore maggiore, corrispondente a circa 224K token video per campionamento a frequenza maggiore. È una procedura dipendente dalla configurazione, non una garanzia universale di durata dei media, memoria completa o precisione dei timestamp.
Indicazioni per la generazione e limiti sostanziali
Le buone pratiche di questo checkpoint raccomandano temperature 0.6, top_p 0.95, top_k 20 e min_p 0 per il ragionamento, e temperature 0.7, top_p 0.8, top_k 20 e min_p 0 per risposte dirette. Queste raccomandazioni specifiche differiscono da quelle di alcune edizioni Qwen3.5 più piccole. Ove supportata, una penalità di presenza fra zero e due può ridurre le ripetizioni, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle richieste e 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi indipendenti dell’output. Specificare il formato richiesto della risposta e verificare calcoli, dettagli estratti e codice proposto rispetto alla fonte. L’output utile è un artefatto testuale concreto le cui evidenze e ipotesi possano essere esaminate.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K token Output · Token in output $0.00468 / 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 $0.00078 / 1K token Output · Token in output $0.00468 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.