Caratteristiche principali di Qwen3.5 nell’edizione densa 9B
Qwen3.5-9B è il checkpoint visivo-linguistico denso da 9 miliardi di parametri sottoposto a post-addestramento. Accetta testo, immagini e video e restituisce testo. La famiglia riunisce ragionamento, programmazione, agenti e comprensione visiva tramite fusione precoce dell’addestramento testuale e visivo, apprendimento per rinforzo su attività progressivamente complesse e supporto per 201 lingue e dialetti. Questa copertura linguistica è una capacità della famiglia, non una garanzia di identica affidabilità per ogni lingua o argomento.
Per il lavoro documentale multilingue, indicare la lingua di destinazione, preservare i termini tecnici e chiedere che il risultato identifichi i campi o i passaggi sorgente usati. Per una domanda visiva, fornire un’immagine leggibile e un’attività precisa. Per una piccola richiesta di programmazione, fornire input, comportamento desiderato e codice pertinente. Il modello non genera immagini o video quando analizza materiale visivo.
Panoramica del modello
Questo specifico modello 9B è denso, con 32 strati nel modello linguistico e un encoder visivo. La sua struttura ibrida ripete tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, usando reti feed-forward dense. La previsione di più token è inclusa nell’addestramento. La famiglia contiene anche modelli a esperti sparsi, ma le loro descrizioni dei parametri totali rispetto a quelli attivati non devono essere applicate a questa edizione densa.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Configurazione e dimensione numerica del modello devono restare distinte dal suo checkpoint Base, dalle altre dimensioni Qwen3.5 e dalle build quantizzate. Un numero minore di parametri identifica l’edizione; da solo non stabilisce tempi di risposta universali né una classifica di qualità. Per attività di ragionamento complesse, Qwen raccomanda di mantenere, ove possibile, un contesto configurato di almeno 128K token.
Input e modalità di risposta
Il produttore mostra domande solo testuali, su immagini e su video. Fornire una domanda documentale con pagina pertinente e campi attesi, oppure una domanda video con evento e intervallo temporale rilevanti. Preservare etichette, unità e ordine dei fotogrammi. Chiedere un risultato confrontabile con la fonte, come una tabella di valori estratti o una spiegazione che citi le evidenze visibili.
Il ragionamento è abilitato per impostazione predefinita. enable_thinking può disabilitarlo per una risposta diretta, mentre i precedenti comandi nel prompt /think e /nothink non sono ufficialmente supportati. Usare il template del produttore e mantenere il ragionamento distinto dal testo finale quando l’interfaccia fornisce entrambi. La raccomandazione Qwen3.5 sulla cronologia è conservare le risposte finali senza il contenuto di ragionamento; il comportamento più recente di conservazione storica non deve essere importato in questa versione.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent, compresi strumenti configurati o collegati tramite MCP, e Qwen Code per il lavoro degli agenti di programmazione. Indicare gli strumenti consentiti e il risultato osservabile. Uno strumento collegato può fornire un calcolo, il recupero di una fonte o feedback di esecuzione reale; il modello può poi usare queste informazioni nella risposta. Strumenti e azioni esterne appartengono all’applicazione, quindi il solo nome del modello non stabilisce accesso o esecuzione.
Testi ultraestesi
L’estensione documentata usa YaRN con le impostazioni posizionali proprie di questo checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; per 524,288 token, il produttore suggerisce un fattore di due. La scalatura statica può influire sulle prestazioni con testi più brevi, quindi deve seguire l’effettiva necessità di un contesto più lungo. Input, rappresentazione visiva, cronologia, ragionamento e output finale condividono il budget di sequenza. Organizzare il materiale lungo per documento o identificatore di codice e lasciare spazio all’artefatto richiesto.
Raccomandazioni per la generazione
Le buone pratiche della scheda distinguono diversi preset. 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 attività di ragionamento con risposta diretta, le buone pratiche raccomandano invece temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Sono procedure specifiche per attività, non valori da mescolare indiscriminatamente. Penalità di presenza maggiori possono causare mescolanze linguistiche o un lieve calo della qualità.
Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle richieste e di 81,920 per domande matematiche o di programmazione insolitamente complesse. Sono raccomandazioni anziché limiti rigidi indipendenti dell’output. Specificare il formato della risposta, come un risultato matematico delimitato o un campo risposta, e verificare la conclusione rispetto alla fonte.
Dettaglio video e limiti sostanziali
L’esempio video del produttore usa per default due fotogrammi al secondo nel flusso supportato. Le indicazioni su scala oraria ampliano il budget del processore video a circa 224K token video per un campionamento a frequenza maggiore. Sono esempi dipendenti dalla configurazione, non una garanzia universale di durata o tempi degli eventi. Mantenere leggibili scritte piccole e transizioni importanti della scena, e verificare testo estratto, calcoli e codice generato prima di usare il risultato. Il valore pratico dell’edizione 9B è il suo ambito documentato congiunto di attività testuali/visive e la modalità di risposta controllabile, preservando l’esatta identità densa.
", "aboutText": "Caratteristiche principali di Qwen3.5 nell’edizione densa 9B\n\nQwen3.5-9B è il checkpoint visivo-linguistico denso da 9 miliardi di parametri sottoposto a post-addestramento. Accetta testo, immagini e video e restituisce testo. La famiglia riunisce ragionamento, programmazione, agenti e comprensione visiva tramite fusione precoce dell’addestramento testuale e visivo, apprendimento per rinforzo su attività progressivamente complesse e supporto per 201 lingue e dialetti. Questa copertura linguistica è una capacità della famiglia, non una garanzia di identica affidabilità per ogni lingua o argomento.\n\nPer il lavoro documentale multilingue, indicare la lingua di destinazione, preservare i termini tecnici e chiedere che il risultato identifichi i campi o i passaggi sorgente usati. Per una domanda visiva, fornire un’immagine leggibile e un’attività precisa. Per una piccola richiesta di programmazione, fornire input, comportamento desiderato e codice pertinente. Il modello non genera immagini o video quando analizza materiale visivo.\n\nPanoramica del modello\n\nQuesto specifico modello 9B è denso, con 32 strati nel modello linguistico e un encoder visivo. La sua struttura ibrida ripete tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, usando reti feed-forward dense. La previsione di più token è inclusa nell’addestramento. La famiglia contiene anche modelli a esperti sparsi, ma le loro descrizioni dei parametri totali rispetto a quelli attivati non devono essere applicate a questa edizione densa.\n\nIl contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Configurazione e dimensione numerica del modello devono restare distinte dal suo checkpoint Base, dalle altre dimensioni Qwen3.5 e dalle build quantizzate. Un numero minore di parametri identifica l’edizione; da solo non stabilisce tempi di risposta universali né una classifica di qualità. Per attività di ragionamento complesse, Qwen raccomanda di mantenere, ove possibile, un contesto configurato di almeno 128K token.\n\nInput e modalità di risposta\n\nIl produttore mostra domande solo testuali, su immagini e su video. Fornire una domanda documentale con pagina pertinente e campi attesi, oppure una domanda video con evento e intervallo temporale rilevanti. Preservare etichette, unità e ordine dei fotogrammi. Chiedere un risultato confrontabile con la fonte, come una tabella di valori estratti o una spiegazione che citi le evidenze visibili.\n\nIl ragionamento è abilitato per impostazione predefinita. enable_thinking può disabilitarlo per una risposta diretta, mentre i precedenti comandi nel prompt /think e /nothink non sono ufficialmente supportati. Usare il template del produttore e mantenere il ragionamento distinto dal testo finale quando l’interfaccia fornisce entrambi. La raccomandazione Qwen3.5 sulla cronologia è conservare le risposte finali senza il contenuto di ragionamento; il comportamento più recente di conservazione storica non deve essere importato in questa versione.\n\nUso come agente\n\nQwen documenta le chiamate a strumenti e raccomanda Qwen-Agent, compresi strumenti configurati o collegati tramite MCP, e Qwen Code per il lavoro degli agenti di programmazione. Indicare gli strumenti consentiti e il risultato osservabile. Uno strumento collegato può fornire un calcolo, il recupero di una fonte o feedback di esecuzione reale; il modello può poi usare queste informazioni nella risposta. Strumenti e azioni esterne appartengono all’applicazione, quindi il solo nome del modello non stabilisce accesso o esecuzione.\n\nTesti ultraestesi\n\nL’estensione documentata usa YaRN con le impostazioni posizionali proprie di questo checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; per 524,288 token, il produttore suggerisce un fattore di due. La scalatura statica può influire sulle prestazioni con testi più brevi, quindi deve seguire l’effettiva necessità di un contesto più lungo. Input, rappresentazione visiva, cronologia, ragionamento e output finale condividono il budget di sequenza. Organizzare il materiale lungo per documento o identificatore di codice e lasciare spazio all’artefatto richiesto.\n\nRaccomandazioni per la generazione\n\nLe buone pratiche della scheda distinguono diversi preset. 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 attività di ragionamento con risposta diretta, le buone pratiche raccomandano invece temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Sono procedure specifiche per attività, non valori da mescolare indiscriminatamente. Penalità di presenza maggiori possono causare mescolanze linguistiche o un lieve calo della qualità.\n\nQwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle richieste e di 81,920 per domande matematiche o di programmazione insolitamente complesse. Sono raccomandazioni anziché limiti rigidi indipendenti dell’output. Specificare il formato della risposta, come un risultato matematico delimitato o un campo risposta, e verificare la conclusione rispetto alla fonte.\n\nDettaglio video e limiti sostanziali\n\nL’esempio video del produttore usa per default due fotogrammi al secondo nel flusso supportato. Le indicazioni su scala oraria ampliano il budget del processore video a circa 224K token video per un campionamento a frequenza maggiore. Sono esempi dipendenti dalla configurazione, non una garanzia universale di durata o tempi degli eventi. Mantenere leggibili scritte piccole e transizioni importanti della scena, e verificare testo estratto, calcoli e codice generato prima di usare il risultato. Il valore pratico dell’edizione 9B è il suo ambito documentato congiunto di attività testuali/visive e la modalità di risposta controllabile, preservando l’esatta identità densa.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B è il modello visivo-linguistico denso di Qwen da 9 miliardi di parametri per testo, immagini e video, con output testuale. Combina ragionamento, programmazione, chiamate a strumenti e lavoro multilingue, con ragionamento selezionabile e un contesto nativo di 262,144 token estendibile tramite configurazione.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Caratteristiche principali di Qwen3.5 nell’edizione densa 9B
Qwen3.5-9B è il checkpoint visivo-linguistico denso da 9 miliardi di parametri sottoposto a post-addestramento. Accetta testo, immagini e video e restituisce testo. La famiglia riunisce ragionamento, programmazione, agenti e comprensione visiva tramite fusione precoce dell’addestramento testuale e visivo, apprendimento per rinforzo su attività progressivamente complesse e supporto per 201 lingue e dialetti. Questa copertura linguistica è una capacità della famiglia, non una garanzia di identica affidabilità per ogni lingua o argomento.
Per il lavoro documentale multilingue, indicare la lingua di destinazione, preservare i termini tecnici e chiedere che il risultato identifichi i campi o i passaggi sorgente usati. Per una domanda visiva, fornire un’immagine leggibile e un’attività precisa. Per una piccola richiesta di programmazione, fornire input, comportamento desiderato e codice pertinente. Il modello non genera immagini o video quando analizza materiale visivo.
Panoramica del modello
Questo specifico modello 9B è denso, con 32 strati nel modello linguistico e un encoder visivo. La sua struttura ibrida ripete tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, usando reti feed-forward dense. La previsione di più token è inclusa nell’addestramento. La famiglia contiene anche modelli a esperti sparsi, ma le loro descrizioni dei parametri totali rispetto a quelli attivati non devono essere applicate a questa edizione densa.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Configurazione e dimensione numerica del modello devono restare distinte dal suo checkpoint Base, dalle altre dimensioni Qwen3.5 e dalle build quantizzate. Un numero minore di parametri identifica l’edizione; da solo non stabilisce tempi di risposta universali né una classifica di qualità. Per attività di ragionamento complesse, Qwen raccomanda di mantenere, ove possibile, un contesto configurato di almeno 128K token.
Input e modalità di risposta
Il produttore mostra domande solo testuali, su immagini e su video. Fornire una domanda documentale con pagina pertinente e campi attesi, oppure una domanda video con evento e intervallo temporale rilevanti. Preservare etichette, unità e ordine dei fotogrammi. Chiedere un risultato confrontabile con la fonte, come una tabella di valori estratti o una spiegazione che citi le evidenze visibili.
Il ragionamento è abilitato per impostazione predefinita. enable_thinking può disabilitarlo per una risposta diretta, mentre i precedenti comandi nel prompt /think e /nothink non sono ufficialmente supportati. Usare il template del produttore e mantenere il ragionamento distinto dal testo finale quando l’interfaccia fornisce entrambi. La raccomandazione Qwen3.5 sulla cronologia è conservare le risposte finali senza il contenuto di ragionamento; il comportamento più recente di conservazione storica non deve essere importato in questa versione.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent, compresi strumenti configurati o collegati tramite MCP, e Qwen Code per il lavoro degli agenti di programmazione. Indicare gli strumenti consentiti e il risultato osservabile. Uno strumento collegato può fornire un calcolo, il recupero di una fonte o feedback di esecuzione reale; il modello può poi usare queste informazioni nella risposta. Strumenti e azioni esterne appartengono all’applicazione, quindi il solo nome del modello non stabilisce accesso o esecuzione.
Testi ultraestesi
L’estensione documentata usa YaRN con le impostazioni posizionali proprie di questo checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; per 524,288 token, il produttore suggerisce un fattore di due. La scalatura statica può influire sulle prestazioni con testi più brevi, quindi deve seguire l’effettiva necessità di un contesto più lungo. Input, rappresentazione visiva, cronologia, ragionamento e output finale condividono il budget di sequenza. Organizzare il materiale lungo per documento o identificatore di codice e lasciare spazio all’artefatto richiesto.
Raccomandazioni per la generazione
Le buone pratiche della scheda distinguono diversi preset. 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 attività di ragionamento con risposta diretta, le buone pratiche raccomandano invece temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Sono procedure specifiche per attività, non valori da mescolare indiscriminatamente. Penalità di presenza maggiori possono causare mescolanze linguistiche o un lieve calo della qualità.
Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle richieste e di 81,920 per domande matematiche o di programmazione insolitamente complesse. Sono raccomandazioni anziché limiti rigidi indipendenti dell’output. Specificare il formato della risposta, come un risultato matematico delimitato o un campo risposta, e verificare la conclusione rispetto alla fonte.
Dettaglio video e limiti sostanziali
L’esempio video del produttore usa per default due fotogrammi al secondo nel flusso supportato. Le indicazioni su scala oraria ampliano il budget del processore video a circa 224K token video per un campionamento a frequenza maggiore. Sono esempi dipendenti dalla configurazione, non una garanzia universale di durata o tempi degli eventi. Mantenere leggibili scritte piccole e transizioni importanti della scena, e verificare testo estratto, calcoli e codice generato prima di usare il risultato. Il valore pratico dell’edizione 9B è il suo ambito documentato congiunto di attività testuali/visive e la modalità di risposta controllabile, preservando l’esatta identità densa.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.5-9b | 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 $0.0002 / 1K token Output · Token in output $0.0003 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 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 $0.0002 / 1K token Output · Token in output $0.0003 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3.5-9bQwen3.5-9B è il modello visivo-linguistico denso di Qwen da 9 miliardi di parametri per testo, immagini e video, con output testuale. Combina ragionamento, programmazione, chiamate a strumenti e lavoro multilingue, con ragionamento selezionabile e un contesto nativo di 262,144 token estendibile tramite configurazione.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Caratteristiche principali di Qwen3.5 nell’edizione densa 9B
Qwen3.5-9B è il checkpoint visivo-linguistico denso da 9 miliardi di parametri sottoposto a post-addestramento. Accetta testo, immagini e video e restituisce testo. La famiglia riunisce ragionamento, programmazione, agenti e comprensione visiva tramite fusione precoce dell’addestramento testuale e visivo, apprendimento per rinforzo su attività progressivamente complesse e supporto per 201 lingue e dialetti. Questa copertura linguistica è una capacità della famiglia, non una garanzia di identica affidabilità per ogni lingua o argomento.
Per il lavoro documentale multilingue, indicare la lingua di destinazione, preservare i termini tecnici e chiedere che il risultato identifichi i campi o i passaggi sorgente usati. Per una domanda visiva, fornire un’immagine leggibile e un’attività precisa. Per una piccola richiesta di programmazione, fornire input, comportamento desiderato e codice pertinente. Il modello non genera immagini o video quando analizza materiale visivo.
Panoramica del modello
Questo specifico modello 9B è denso, con 32 strati nel modello linguistico e un encoder visivo. La sua struttura ibrida ripete tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, usando reti feed-forward dense. La previsione di più token è inclusa nell’addestramento. La famiglia contiene anche modelli a esperti sparsi, ma le loro descrizioni dei parametri totali rispetto a quelli attivati non devono essere applicate a questa edizione densa.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Configurazione e dimensione numerica del modello devono restare distinte dal suo checkpoint Base, dalle altre dimensioni Qwen3.5 e dalle build quantizzate. Un numero minore di parametri identifica l’edizione; da solo non stabilisce tempi di risposta universali né una classifica di qualità. Per attività di ragionamento complesse, Qwen raccomanda di mantenere, ove possibile, un contesto configurato di almeno 128K token.
Input e modalità di risposta
Il produttore mostra domande solo testuali, su immagini e su video. Fornire una domanda documentale con pagina pertinente e campi attesi, oppure una domanda video con evento e intervallo temporale rilevanti. Preservare etichette, unità e ordine dei fotogrammi. Chiedere un risultato confrontabile con la fonte, come una tabella di valori estratti o una spiegazione che citi le evidenze visibili.
Il ragionamento è abilitato per impostazione predefinita. enable_thinking può disabilitarlo per una risposta diretta, mentre i precedenti comandi nel prompt /think e /nothink non sono ufficialmente supportati. Usare il template del produttore e mantenere il ragionamento distinto dal testo finale quando l’interfaccia fornisce entrambi. La raccomandazione Qwen3.5 sulla cronologia è conservare le risposte finali senza il contenuto di ragionamento; il comportamento più recente di conservazione storica non deve essere importato in questa versione.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent, compresi strumenti configurati o collegati tramite MCP, e Qwen Code per il lavoro degli agenti di programmazione. Indicare gli strumenti consentiti e il risultato osservabile. Uno strumento collegato può fornire un calcolo, il recupero di una fonte o feedback di esecuzione reale; il modello può poi usare queste informazioni nella risposta. Strumenti e azioni esterne appartengono all’applicazione, quindi il solo nome del modello non stabilisce accesso o esecuzione.
Testi ultraestesi
L’estensione documentata usa YaRN con le impostazioni posizionali proprie di questo checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; per 524,288 token, il produttore suggerisce un fattore di due. La scalatura statica può influire sulle prestazioni con testi più brevi, quindi deve seguire l’effettiva necessità di un contesto più lungo. Input, rappresentazione visiva, cronologia, ragionamento e output finale condividono il budget di sequenza. Organizzare il materiale lungo per documento o identificatore di codice e lasciare spazio all’artefatto richiesto.
Raccomandazioni per la generazione
Le buone pratiche della scheda distinguono diversi preset. 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 attività di ragionamento con risposta diretta, le buone pratiche raccomandano invece temperature 1.0, top_p 1.0, top_k 40 e penalità di presenza 2.0. Sono procedure specifiche per attività, non valori da mescolare indiscriminatamente. Penalità di presenza maggiori possono causare mescolanze linguistiche o un lieve calo della qualità.
Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle richieste e di 81,920 per domande matematiche o di programmazione insolitamente complesse. Sono raccomandazioni anziché limiti rigidi indipendenti dell’output. Specificare il formato della risposta, come un risultato matematico delimitato o un campo risposta, e verificare la conclusione rispetto alla fonte.
Dettaglio video e limiti sostanziali
L’esempio video del produttore usa per default due fotogrammi al secondo nel flusso supportato. Le indicazioni su scala oraria ampliano il budget del processore video a circa 224K token video per un campionamento a frequenza maggiore. Sono esempi dipendenti dalla configurazione, non una garanzia universale di durata o tempi degli eventi. Mantenere leggibili scritte piccole e transizioni importanti della scena, e verificare testo estratto, calcoli e codice generato prima di usare il risultato. Il valore pratico dell’edizione 9B è il suo ambito documentato congiunto di attività testuali/visive e la modalità di risposta controllabile, preservando l’esatta identità densa.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.5-9b | 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 $0.0002 / 1K token Output · Token in output $0.0003 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 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 $0.0002 / 1K token Output · Token in output $0.0003 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.