Caratteristiche principali di Qwen3.6 in un modello denso 27B
Qwen3.6-27B è un modello visivo-linguistico denso sviluppato da Qwen3.5-27B. Il produttore evidenzia agenti di programmazione e ragionamento STEM più forti, con miglioramenti in comprensione spaziale, localizzazione e rilevamento degli oggetti, OCR documentale, comprensione video e agenti visivi. Accetta testo, immagini e video e genera testo. Questa specifica edizione densa è distinta dal modello mixture-of-experts Qwen3.6-35B-A3B, anche se appartengono alla stessa generazione e condividono l’ambito di attività.
Per un diagramma STEM, fornire l’enunciato completo e preservare etichette e unità. Chiedere al modello di separare i fatti direttamente visibili dalle ipotesi, quindi restituire una spiegazione con una risposta finale chiara. Per un documento, specificare i campi o le affermazioni da estrarre e richiedere riferimenti alle pagine di supporto. Per un agente di programmazione, fornire moduli pertinenti, comportamento desiderato e feedback effettivo del flusso collegato. Questi esempi applicano le capacità documentate; non sono affermazioni di estrazione esatta o esecuzione riuscita.
Panoramica del modello
Il modello ha 27 miliardi di parametri e 64 strati nel modello linguistico. La sua struttura ibrida ripete tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, usando reti feed-forward dense anziché esperti sparsi. Un encoder visivo fornisce comprensione di immagini e video e la previsione di più token fa parte dell’addestramento. Questi fatti architetturali identificano il checkpoint senza classificare qualità o tempi di risposta di ogni applicazione.
Il contesto nativo è di 262,144 token e può essere esteso a 1,010,000 tramite configurazione. Qwen consiglia di mantenere almeno 128K di contesto, ove possibile, per il ragionamento complesso, riconoscendo che la pressione sulla memoria può richiedere un’impostazione inferiore. Immagini e video rappresentati, testo, messaggi storici, ragionamento e risposta consumano tutti spazio nella sequenza configurata.
Input e modalità
Il produttore mostra domande testuali, su immagini e su video. Il ragionamento è abilitato per impostazione predefinita, con un blocco di ragionamento prima della risposta finale. enable_thinking può disabilitare questo comportamento per una risposta diretta. Qwen3.6 non supporta ufficialmente i precedenti comandi del prompt /think e /nothink. Rendere il risultato richiesto facile da identificare dopo la spiegazione, ad esempio un valore calcolato, una tabella dei campi estratti o una patch di codice modificabile.
L’esempio video usa per default due fotogrammi al secondo nel flusso supportato. Per video della durata di ore, il produttore raccomanda di aumentare il budget del processore per consentire campionamento a frequenza maggiore, fornendo un esempio corrispondente a circa 224K token video. Più dettaglio visivo richiede una quota maggiore del budget di contesto ed elaborazione. Queste impostazioni non stabiliscono una durata video incondizionata né un’accuratezza esatta dei timestamp degli eventi per ogni interfaccia.
Ragionamento storico
Il template predefinito conserva il ragionamento associato all’ultimo messaggio dell’utente. L’opzione preserve_thinking può inoltre conservare il ragionamento dei messaggi storici; l’esempio esplicito del produttore la abilita con true. Questo può sostenere lo sviluppo iterativo, in cui decisioni precedenti restano pertinenti dopo nuovo feedback degli strumenti. Differisce dal comportamento predefinito di conservazione documentato per Qwen3.8 e dalle indicazioni di Qwen3.5 di mantenere nella cronologia solo la risposta finale. Seguire il formato esatto del checkpoint anziché sostituire silenziosamente le regole della cronologia di un’altra generazione.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, insieme a Qwen Code per il lavoro degli agenti di programmazione. Indicare azioni consentite e criteri osservabili di completamento. Uno strumento può ispezionare il materiale fornito o restituire il risultato di un controllo reale, dopodiché il modello può rivedere l’analisi. Il modello non ottiene accesso a un file system, a fonti aggiornate o a un ambiente di esecuzione semplicemente dalla specializzazione come agente.
Input ultraesteso
La procedura di estensione usa YaRN con le impostazioni posizionali interlacciate di questo modello. 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 ridurre le prestazioni con testi più brevi, quindi deve seguire l’effettiva necessità di un contesto lungo. Mantenere etichettati pagine, funzioni e confini dei documenti, quindi richiedere conclusioni che identifichino le evidenze di supporto.
Raccomandazioni per la generazione e limiti
Le buone pratiche della scheda raccomandano temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0 per il ragionamento generale. Per generare codice con precisione, il valore di temperature diventa 0.6. Per risposte dirette, temperature è 0.7, top_p 0.8 e penalità di presenza 1.5, con gli altri valori invariati. Il produttore avverte che penalità di presenza maggiori possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle domande e 81,920 per attività matematiche o di programmazione insolitamente difficili. Non sono limiti rigidi stabiliti separatamente. Definire un formato di risposta finale e verificare testo estratto, conclusioni spaziali, calcoli e codice proposto rispetto alla fonte. Un contesto ampio e il ragionamento conservato aiutano a mantenere le evidenze durante l’attività; l’artefatto esaminabile resta il risultato utile.
", "aboutText": "Caratteristiche principali di Qwen3.6 in un modello denso 27B\n\nQwen3.6-27B è un modello visivo-linguistico denso sviluppato da Qwen3.5-27B. Il produttore evidenzia agenti di programmazione e ragionamento STEM più forti, con miglioramenti in comprensione spaziale, localizzazione e rilevamento degli oggetti, OCR documentale, comprensione video e agenti visivi. Accetta testo, immagini e video e genera testo. Questa specifica edizione densa è distinta dal modello mixture-of-experts Qwen3.6-35B-A3B, anche se appartengono alla stessa generazione e condividono l’ambito di attività.\n\nPer un diagramma STEM, fornire l’enunciato completo e preservare etichette e unità. Chiedere al modello di separare i fatti direttamente visibili dalle ipotesi, quindi restituire una spiegazione con una risposta finale chiara. Per un documento, specificare i campi o le affermazioni da estrarre e richiedere riferimenti alle pagine di supporto. Per un agente di programmazione, fornire moduli pertinenti, comportamento desiderato e feedback effettivo del flusso collegato. Questi esempi applicano le capacità documentate; non sono affermazioni di estrazione esatta o esecuzione riuscita.\n\nPanoramica del modello\n\nIl modello ha 27 miliardi di parametri e 64 strati nel modello linguistico. La sua struttura ibrida ripete tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, usando reti feed-forward dense anziché esperti sparsi. Un encoder visivo fornisce comprensione di immagini e video e la previsione di più token fa parte dell’addestramento. Questi fatti architetturali identificano il checkpoint senza classificare qualità o tempi di risposta di ogni applicazione.\n\nIl contesto nativo è di 262,144 token e può essere esteso a 1,010,000 tramite configurazione. Qwen consiglia di mantenere almeno 128K di contesto, ove possibile, per il ragionamento complesso, riconoscendo che la pressione sulla memoria può richiedere un’impostazione inferiore. Immagini e video rappresentati, testo, messaggi storici, ragionamento e risposta consumano tutti spazio nella sequenza configurata.\n\nInput e modalità\n\nIl produttore mostra domande testuali, su immagini e su video. Il ragionamento è abilitato per impostazione predefinita, con un blocco di ragionamento prima della risposta finale. enable_thinking può disabilitare questo comportamento per una risposta diretta. Qwen3.6 non supporta ufficialmente i precedenti comandi del prompt /think e /nothink. Rendere il risultato richiesto facile da identificare dopo la spiegazione, ad esempio un valore calcolato, una tabella dei campi estratti o una patch di codice modificabile.\n\nL’esempio video usa per default due fotogrammi al secondo nel flusso supportato. Per video della durata di ore, il produttore raccomanda di aumentare il budget del processore per consentire campionamento a frequenza maggiore, fornendo un esempio corrispondente a circa 224K token video. Più dettaglio visivo richiede una quota maggiore del budget di contesto ed elaborazione. Queste impostazioni non stabiliscono una durata video incondizionata né un’accuratezza esatta dei timestamp degli eventi per ogni interfaccia.\n\nRagionamento storico\n\nIl template predefinito conserva il ragionamento associato all’ultimo messaggio dell’utente. L’opzione preserve_thinking può inoltre conservare il ragionamento dei messaggi storici; l’esempio esplicito del produttore la abilita con true. Questo può sostenere lo sviluppo iterativo, in cui decisioni precedenti restano pertinenti dopo nuovo feedback degli strumenti. Differisce dal comportamento predefinito di conservazione documentato per Qwen3.8 e dalle indicazioni di Qwen3.5 di mantenere nella cronologia solo la risposta finale. Seguire il formato esatto del checkpoint anziché sostituire silenziosamente le regole della cronologia di un’altra generazione.\n\nUso come agente\n\nQwen documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, insieme a Qwen Code per il lavoro degli agenti di programmazione. Indicare azioni consentite e criteri osservabili di completamento. Uno strumento può ispezionare il materiale fornito o restituire il risultato di un controllo reale, dopodiché il modello può rivedere l’analisi. Il modello non ottiene accesso a un file system, a fonti aggiornate o a un ambiente di esecuzione semplicemente dalla specializzazione come agente.\n\nInput ultraesteso\n\nLa procedura di estensione usa YaRN con le impostazioni posizionali interlacciate di questo modello. 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 ridurre le prestazioni con testi più brevi, quindi deve seguire l’effettiva necessità di un contesto lungo. Mantenere etichettati pagine, funzioni e confini dei documenti, quindi richiedere conclusioni che identifichino le evidenze di supporto.\n\nRaccomandazioni per la generazione e limiti\n\nLe buone pratiche della scheda raccomandano temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0 per il ragionamento generale. Per generare codice con precisione, il valore di temperature diventa 0.6. Per risposte dirette, temperature è 0.7, top_p 0.8 e penalità di presenza 1.5, con gli altri valori invariati. Il produttore avverte che penalità di presenza maggiori possono mescolare le lingue o ridurre leggermente la qualità.\n\nI budget di generazione raccomandati sono 32,768 token per la maggior parte delle domande e 81,920 per attività matematiche o di programmazione insolitamente difficili. Non sono limiti rigidi stabiliti separatamente. Definire un formato di risposta finale e verificare testo estratto, conclusioni spaziali, calcoli e codice proposto rispetto alla fonte. Un contesto ampio e il ragionamento conservato aiutano a mantenere le evidenze durante l’attività; l’artefatto esaminabile resta il risultato utile.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B è il modello visivo-linguistico denso di Qwen per programmazione, ragionamento STEM e analisi visiva. Accetta testo, immagini e video e restituisce testo, con ragionamento selezionabile, conservazione opzionale del ragionamento storico 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 Qwen3.6 in un modello denso 27B
Qwen3.6-27B è un modello visivo-linguistico denso sviluppato da Qwen3.5-27B. Il produttore evidenzia agenti di programmazione e ragionamento STEM più forti, con miglioramenti in comprensione spaziale, localizzazione e rilevamento degli oggetti, OCR documentale, comprensione video e agenti visivi. Accetta testo, immagini e video e genera testo. Questa specifica edizione densa è distinta dal modello mixture-of-experts Qwen3.6-35B-A3B, anche se appartengono alla stessa generazione e condividono l’ambito di attività.
Per un diagramma STEM, fornire l’enunciato completo e preservare etichette e unità. Chiedere al modello di separare i fatti direttamente visibili dalle ipotesi, quindi restituire una spiegazione con una risposta finale chiara. Per un documento, specificare i campi o le affermazioni da estrarre e richiedere riferimenti alle pagine di supporto. Per un agente di programmazione, fornire moduli pertinenti, comportamento desiderato e feedback effettivo del flusso collegato. Questi esempi applicano le capacità documentate; non sono affermazioni di estrazione esatta o esecuzione riuscita.
Panoramica del modello
Il modello ha 27 miliardi di parametri e 64 strati nel modello linguistico. La sua struttura ibrida ripete tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, usando reti feed-forward dense anziché esperti sparsi. Un encoder visivo fornisce comprensione di immagini e video e la previsione di più token fa parte dell’addestramento. Questi fatti architetturali identificano il checkpoint senza classificare qualità o tempi di risposta di ogni applicazione.
Il contesto nativo è di 262,144 token e può essere esteso a 1,010,000 tramite configurazione. Qwen consiglia di mantenere almeno 128K di contesto, ove possibile, per il ragionamento complesso, riconoscendo che la pressione sulla memoria può richiedere un’impostazione inferiore. Immagini e video rappresentati, testo, messaggi storici, ragionamento e risposta consumano tutti spazio nella sequenza configurata.
Input e modalità
Il produttore mostra domande testuali, su immagini e su video. Il ragionamento è abilitato per impostazione predefinita, con un blocco di ragionamento prima della risposta finale. enable_thinking può disabilitare questo comportamento per una risposta diretta. Qwen3.6 non supporta ufficialmente i precedenti comandi del prompt /think e /nothink. Rendere il risultato richiesto facile da identificare dopo la spiegazione, ad esempio un valore calcolato, una tabella dei campi estratti o una patch di codice modificabile.
L’esempio video usa per default due fotogrammi al secondo nel flusso supportato. Per video della durata di ore, il produttore raccomanda di aumentare il budget del processore per consentire campionamento a frequenza maggiore, fornendo un esempio corrispondente a circa 224K token video. Più dettaglio visivo richiede una quota maggiore del budget di contesto ed elaborazione. Queste impostazioni non stabiliscono una durata video incondizionata né un’accuratezza esatta dei timestamp degli eventi per ogni interfaccia.
Ragionamento storico
Il template predefinito conserva il ragionamento associato all’ultimo messaggio dell’utente. L’opzione preserve_thinking può inoltre conservare il ragionamento dei messaggi storici; l’esempio esplicito del produttore la abilita con true. Questo può sostenere lo sviluppo iterativo, in cui decisioni precedenti restano pertinenti dopo nuovo feedback degli strumenti. Differisce dal comportamento predefinito di conservazione documentato per Qwen3.8 e dalle indicazioni di Qwen3.5 di mantenere nella cronologia solo la risposta finale. Seguire il formato esatto del checkpoint anziché sostituire silenziosamente le regole della cronologia di un’altra generazione.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, insieme a Qwen Code per il lavoro degli agenti di programmazione. Indicare azioni consentite e criteri osservabili di completamento. Uno strumento può ispezionare il materiale fornito o restituire il risultato di un controllo reale, dopodiché il modello può rivedere l’analisi. Il modello non ottiene accesso a un file system, a fonti aggiornate o a un ambiente di esecuzione semplicemente dalla specializzazione come agente.
Input ultraesteso
La procedura di estensione usa YaRN con le impostazioni posizionali interlacciate di questo modello. 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 ridurre le prestazioni con testi più brevi, quindi deve seguire l’effettiva necessità di un contesto lungo. Mantenere etichettati pagine, funzioni e confini dei documenti, quindi richiedere conclusioni che identifichino le evidenze di supporto.
Raccomandazioni per la generazione e limiti
Le buone pratiche della scheda raccomandano temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0 per il ragionamento generale. Per generare codice con precisione, il valore di temperature diventa 0.6. Per risposte dirette, temperature è 0.7, top_p 0.8 e penalità di presenza 1.5, con gli altri valori invariati. Il produttore avverte che penalità di presenza maggiori possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle domande e 81,920 per attività matematiche o di programmazione insolitamente difficili. Non sono limiti rigidi stabiliti separatamente. Definire un formato di risposta finale e verificare testo estratto, conclusioni spaziali, calcoli e codice proposto rispetto alla fonte. Un contesto ampio e il ragionamento conservato aiutano a mantenere le evidenze durante l’attività; l’artefatto esaminabile resta il risultato utile.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.6-27b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0009 / 1K token Output · Token in output $0.0054 / 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 $0.0009 / 1K token Output · Token in output $0.0054 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3.6-27b
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3.6-27bQwen3.6-27B è il modello visivo-linguistico denso di Qwen per programmazione, ragionamento STEM e analisi visiva. Accetta testo, immagini e video e restituisce testo, con ragionamento selezionabile, conservazione opzionale del ragionamento storico 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 Qwen3.6 in un modello denso 27B
Qwen3.6-27B è un modello visivo-linguistico denso sviluppato da Qwen3.5-27B. Il produttore evidenzia agenti di programmazione e ragionamento STEM più forti, con miglioramenti in comprensione spaziale, localizzazione e rilevamento degli oggetti, OCR documentale, comprensione video e agenti visivi. Accetta testo, immagini e video e genera testo. Questa specifica edizione densa è distinta dal modello mixture-of-experts Qwen3.6-35B-A3B, anche se appartengono alla stessa generazione e condividono l’ambito di attività.
Per un diagramma STEM, fornire l’enunciato completo e preservare etichette e unità. Chiedere al modello di separare i fatti direttamente visibili dalle ipotesi, quindi restituire una spiegazione con una risposta finale chiara. Per un documento, specificare i campi o le affermazioni da estrarre e richiedere riferimenti alle pagine di supporto. Per un agente di programmazione, fornire moduli pertinenti, comportamento desiderato e feedback effettivo del flusso collegato. Questi esempi applicano le capacità documentate; non sono affermazioni di estrazione esatta o esecuzione riuscita.
Panoramica del modello
Il modello ha 27 miliardi di parametri e 64 strati nel modello linguistico. La sua struttura ibrida ripete tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, usando reti feed-forward dense anziché esperti sparsi. Un encoder visivo fornisce comprensione di immagini e video e la previsione di più token fa parte dell’addestramento. Questi fatti architetturali identificano il checkpoint senza classificare qualità o tempi di risposta di ogni applicazione.
Il contesto nativo è di 262,144 token e può essere esteso a 1,010,000 tramite configurazione. Qwen consiglia di mantenere almeno 128K di contesto, ove possibile, per il ragionamento complesso, riconoscendo che la pressione sulla memoria può richiedere un’impostazione inferiore. Immagini e video rappresentati, testo, messaggi storici, ragionamento e risposta consumano tutti spazio nella sequenza configurata.
Input e modalità
Il produttore mostra domande testuali, su immagini e su video. Il ragionamento è abilitato per impostazione predefinita, con un blocco di ragionamento prima della risposta finale. enable_thinking può disabilitare questo comportamento per una risposta diretta. Qwen3.6 non supporta ufficialmente i precedenti comandi del prompt /think e /nothink. Rendere il risultato richiesto facile da identificare dopo la spiegazione, ad esempio un valore calcolato, una tabella dei campi estratti o una patch di codice modificabile.
L’esempio video usa per default due fotogrammi al secondo nel flusso supportato. Per video della durata di ore, il produttore raccomanda di aumentare il budget del processore per consentire campionamento a frequenza maggiore, fornendo un esempio corrispondente a circa 224K token video. Più dettaglio visivo richiede una quota maggiore del budget di contesto ed elaborazione. Queste impostazioni non stabiliscono una durata video incondizionata né un’accuratezza esatta dei timestamp degli eventi per ogni interfaccia.
Ragionamento storico
Il template predefinito conserva il ragionamento associato all’ultimo messaggio dell’utente. L’opzione preserve_thinking può inoltre conservare il ragionamento dei messaggi storici; l’esempio esplicito del produttore la abilita con true. Questo può sostenere lo sviluppo iterativo, in cui decisioni precedenti restano pertinenti dopo nuovo feedback degli strumenti. Differisce dal comportamento predefinito di conservazione documentato per Qwen3.8 e dalle indicazioni di Qwen3.5 di mantenere nella cronologia solo la risposta finale. Seguire il formato esatto del checkpoint anziché sostituire silenziosamente le regole della cronologia di un’altra generazione.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent con strumenti configurati o collegati tramite MCP, insieme a Qwen Code per il lavoro degli agenti di programmazione. Indicare azioni consentite e criteri osservabili di completamento. Uno strumento può ispezionare il materiale fornito o restituire il risultato di un controllo reale, dopodiché il modello può rivedere l’analisi. Il modello non ottiene accesso a un file system, a fonti aggiornate o a un ambiente di esecuzione semplicemente dalla specializzazione come agente.
Input ultraesteso
La procedura di estensione usa YaRN con le impostazioni posizionali interlacciate di questo modello. 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 ridurre le prestazioni con testi più brevi, quindi deve seguire l’effettiva necessità di un contesto lungo. Mantenere etichettati pagine, funzioni e confini dei documenti, quindi richiedere conclusioni che identifichino le evidenze di supporto.
Raccomandazioni per la generazione e limiti
Le buone pratiche della scheda raccomandano temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0 per il ragionamento generale. Per generare codice con precisione, il valore di temperature diventa 0.6. Per risposte dirette, temperature è 0.7, top_p 0.8 e penalità di presenza 1.5, con gli altri valori invariati. Il produttore avverte che penalità di presenza maggiori possono mescolare le lingue o ridurre leggermente la qualità.
I budget di generazione raccomandati sono 32,768 token per la maggior parte delle domande e 81,920 per attività matematiche o di programmazione insolitamente difficili. Non sono limiti rigidi stabiliti separatamente. Definire un formato di risposta finale e verificare testo estratto, conclusioni spaziali, calcoli e codice proposto rispetto alla fonte. Un contesto ampio e il ragionamento conservato aiutano a mantenere le evidenze durante l’attività; l’artefatto esaminabile resta il risultato utile.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.6-27b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0009 / 1K token Output · Token in output $0.0054 / 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 $0.0009 / 1K token Output · Token in output $0.0054 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3.6-27b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.