Caratteristiche principali di Qwen3.6: programmazione e continuità del ragionamento
Qwen3.6-35B-A3B è un modello visivo-linguistico incentrato sul lavoro utile di programmazione e con agenti. Qwen evidenzia flussi frontend più forti e ragionamento a livello di repository, oltre a una nuova opzione per conservare il ragionamento dei messaggi storici. Accetta testo, immagini e video e restituisce testo: una spiegazione, una proposta di codice, un’analisi strutturata o un altro artefatto testuale richiesto. Preservare questa precisa edizione 35B-A3B anziché trattarla come il denso Qwen3.6-27B o la sua precedente controparte Qwen3.5.
Per un’attività frontend, fornire lo screenshot pertinente, i requisiti funzionali e il contesto di codice esistente. Chiedere sorgente modificabile e una descrizione degli stati e delle interazioni previsti. Per un’attività sul repository, identificare la funzionalità interessata, l’input che espone un problema e il comportamento atteso. Richiedere una patch proposta con ipotesi e controlli pertinenti.
Panoramica del modello
Il modello mixture-of-experts ha 35 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 40 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Ha 256 esperti instradati e seleziona otto esperti instradati con un esperto condiviso; la previsione di più token fa parte dell’addestramento. Il numero inferiore di parametri attivati non descrive la dimensione completa del checkpoint. Un encoder visivo fornisce la parte visiva del modello.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Il produttore raccomanda di mantenere, ove possibile, un contesto di almeno 128K per attività di ragionamento complesse, anche se ridurlo allevierebbe la pressione sulla memoria. Testo sorgente, elementi visivi rappresentati, messaggi storici, ragionamento e risposta finale condividono il budget di sequenza configurato.
Usare gli input e le modalità di risposta
La scheda mostra domande testuali, su immagini e su video. Per un diagramma o una pagina, preservare le etichette e definire la domanda esatta. Per una clip, mantenere i tempi e indicare l’evento di interesse. L’esempio video supportato dal produttore usa per default due fotogrammi al secondo e consente la configurazione del campionamento. La procedura delle buone pratiche amplia il budget del processore video a circa 224K token video per analisi a frequenza maggiore su scala oraria; è un esempio di configurazione anziché un limite rigido e universale di durata delle clip.
Il ragionamento è abilitato per impostazione predefinita. Il controllo enable_thinking del produttore può disabilitarlo per una risposta diretta. Qwen3.6 non supporta ufficialmente i precedenti comandi nel prompt di Qwen3 /think e /nothink. Separare il ragionamento dall’artefatto finale quando si presenta un risultato e seguire l’interfaccia propria di questo checkpoint anziché presumere che si applichino marcatori o controlli di un’altra generazione.
Conservare il ragionamento storico
Per impostazione predefinita, il template conserva i blocchi di ragionamento associati all’ultimo messaggio dell’utente. Qwen3.6 è stato inoltre addestrato a usare ragionamenti storici quando preserve_thinking è abilitato. L’esempio esplicito imposta tale opzione su true. Questo può aiutare un’attività iterativa con agenti a mantenere il contesto decisionale invece di ricavare ripetutamente le scelte precedenti; cambia anche la quantità di cronologia trasportata dalla richiesta. La disponibilità dell’opzione dipende dall’interfaccia che espone la procedura del produttore.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent per configurarli, compresi strumenti collegati tramite MCP. Qwen Code è un altro flusso con agente di programmazione documentato dal produttore. Definire strumenti consentiti, obiettivo e prodotto atteso, quindi restituire al modello le osservazioni effettive degli strumenti. Il modello può ragionare su un risultato e rivedere un piano; l’accesso a file o ambienti di esecuzione proviene dall’applicazione collegata, non dal nome del modello.
Testi ultraestesi
L’estensione documentata del contesto usa YaRN con le impostazioni posizionali interlacciate del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; per carichi da 524,288 token, Qwen suggerisce un fattore di due. La scalatura statica può influire sulle prestazioni dei testi più brevi, quindi il produttore raccomanda di cambiarla quando serve un contesto più lungo. Conservare identificatori di sezioni e codice in un input grande e chiedere che il risultato mostri le evidenze a sostegno di ogni conclusione.
Indicazioni per la generazione e limiti
Per il ragionamento generale, il produttore raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0. Per generare codice con precisione, il valore di temperature diventa 0.6 e la penalità di presenza è pari a zero. Per risposte dirette raccomanda temperature 0.7, top_p 0.8 e penalità di presenza 1.5, lasciando invariati gli altri valori. Penalità di presenza maggiori possono ridurre le ripetizioni ma possono mescolare le lingue o ridurre leggermente la qualità.
Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle domande e di 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi dell’output stabiliti separatamente. Indicare esplicitamente il formato finale e verificare codice, calcoli e dettagli visivi estratti rispetto alla fonte. Continuità del ragionamento e contesto lungo aiutano a conservare le evidenze di un’attività, mentre un artefatto finale verificabile rende utile il risultato.
", "aboutText": "Caratteristiche principali di Qwen3.6: programmazione e continuità del ragionamento\n\nQwen3.6-35B-A3B è un modello visivo-linguistico incentrato sul lavoro utile di programmazione e con agenti. Qwen evidenzia flussi frontend più forti e ragionamento a livello di repository, oltre a una nuova opzione per conservare il ragionamento dei messaggi storici. Accetta testo, immagini e video e restituisce testo: una spiegazione, una proposta di codice, un’analisi strutturata o un altro artefatto testuale richiesto. Preservare questa precisa edizione 35B-A3B anziché trattarla come il denso Qwen3.6-27B o la sua precedente controparte Qwen3.5.\n\nPer un’attività frontend, fornire lo screenshot pertinente, i requisiti funzionali e il contesto di codice esistente. Chiedere sorgente modificabile e una descrizione degli stati e delle interazioni previsti. Per un’attività sul repository, identificare la funzionalità interessata, l’input che espone un problema e il comportamento atteso. Richiedere una patch proposta con ipotesi e controlli pertinenti.\n\nPanoramica del modello\n\nIl modello mixture-of-experts ha 35 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 40 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Ha 256 esperti instradati e seleziona otto esperti instradati con un esperto condiviso; la previsione di più token fa parte dell’addestramento. Il numero inferiore di parametri attivati non descrive la dimensione completa del checkpoint. Un encoder visivo fornisce la parte visiva del modello.\n\nIl contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Il produttore raccomanda di mantenere, ove possibile, un contesto di almeno 128K per attività di ragionamento complesse, anche se ridurlo allevierebbe la pressione sulla memoria. Testo sorgente, elementi visivi rappresentati, messaggi storici, ragionamento e risposta finale condividono il budget di sequenza configurato.\n\nUsare gli input e le modalità di risposta\n\nLa scheda mostra domande testuali, su immagini e su video. Per un diagramma o una pagina, preservare le etichette e definire la domanda esatta. Per una clip, mantenere i tempi e indicare l’evento di interesse. L’esempio video supportato dal produttore usa per default due fotogrammi al secondo e consente la configurazione del campionamento. La procedura delle buone pratiche amplia il budget del processore video a circa 224K token video per analisi a frequenza maggiore su scala oraria; è un esempio di configurazione anziché un limite rigido e universale di durata delle clip.\n\nIl ragionamento è abilitato per impostazione predefinita. Il controllo enable_thinking del produttore può disabilitarlo per una risposta diretta. Qwen3.6 non supporta ufficialmente i precedenti comandi nel prompt di Qwen3 /think e /nothink. Separare il ragionamento dall’artefatto finale quando si presenta un risultato e seguire l’interfaccia propria di questo checkpoint anziché presumere che si applichino marcatori o controlli di un’altra generazione.\n\nConservare il ragionamento storico\n\nPer impostazione predefinita, il template conserva i blocchi di ragionamento associati all’ultimo messaggio dell’utente. Qwen3.6 è stato inoltre addestrato a usare ragionamenti storici quando preserve_thinking è abilitato. L’esempio esplicito imposta tale opzione su true. Questo può aiutare un’attività iterativa con agenti a mantenere il contesto decisionale invece di ricavare ripetutamente le scelte precedenti; cambia anche la quantità di cronologia trasportata dalla richiesta. La disponibilità dell’opzione dipende dall’interfaccia che espone la procedura del produttore.\n\nUso come agente\n\nQwen documenta le chiamate a strumenti e raccomanda Qwen-Agent per configurarli, compresi strumenti collegati tramite MCP. Qwen Code è un altro flusso con agente di programmazione documentato dal produttore. Definire strumenti consentiti, obiettivo e prodotto atteso, quindi restituire al modello le osservazioni effettive degli strumenti. Il modello può ragionare su un risultato e rivedere un piano; l’accesso a file o ambienti di esecuzione proviene dall’applicazione collegata, non dal nome del modello.\n\nTesti ultraestesi\n\nL’estensione documentata del contesto usa YaRN con le impostazioni posizionali interlacciate del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; per carichi da 524,288 token, Qwen suggerisce un fattore di due. La scalatura statica può influire sulle prestazioni dei testi più brevi, quindi il produttore raccomanda di cambiarla quando serve un contesto più lungo. Conservare identificatori di sezioni e codice in un input grande e chiedere che il risultato mostri le evidenze a sostegno di ogni conclusione.\n\nIndicazioni per la generazione e limiti\n\nPer il ragionamento generale, il produttore raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0. Per generare codice con precisione, il valore di temperature diventa 0.6 e la penalità di presenza è pari a zero. Per risposte dirette raccomanda temperature 0.7, top_p 0.8 e penalità di presenza 1.5, lasciando invariati gli altri valori. Penalità di presenza maggiori possono ridurre le ripetizioni ma possono mescolare le lingue o ridurre leggermente la qualità.\n\nQwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle domande e di 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi dell’output stabiliti separatamente. Indicare esplicitamente il formato finale e verificare codice, calcoli e dettagli visivi estratti rispetto alla fonte. Continuità del ragionamento e contesto lungo aiutano a conservare le evidenze di un’attività, mentre un artefatto finale verificabile rende utile il risultato.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B è il modello visivo-linguistico mixture-of-experts di Qwen con 35 miliardi di parametri totali e 3 miliardi attivati. Si concentra sulla programmazione frontend e a livello di repository, aggiunge la conservazione opzionale del ragionamento storico e accetta testo, immagini e video con output testuale.
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: programmazione e continuità del ragionamento
Qwen3.6-35B-A3B è un modello visivo-linguistico incentrato sul lavoro utile di programmazione e con agenti. Qwen evidenzia flussi frontend più forti e ragionamento a livello di repository, oltre a una nuova opzione per conservare il ragionamento dei messaggi storici. Accetta testo, immagini e video e restituisce testo: una spiegazione, una proposta di codice, un’analisi strutturata o un altro artefatto testuale richiesto. Preservare questa precisa edizione 35B-A3B anziché trattarla come il denso Qwen3.6-27B o la sua precedente controparte Qwen3.5.
Per un’attività frontend, fornire lo screenshot pertinente, i requisiti funzionali e il contesto di codice esistente. Chiedere sorgente modificabile e una descrizione degli stati e delle interazioni previsti. Per un’attività sul repository, identificare la funzionalità interessata, l’input che espone un problema e il comportamento atteso. Richiedere una patch proposta con ipotesi e controlli pertinenti.
Panoramica del modello
Il modello mixture-of-experts ha 35 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 40 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Ha 256 esperti instradati e seleziona otto esperti instradati con un esperto condiviso; la previsione di più token fa parte dell’addestramento. Il numero inferiore di parametri attivati non descrive la dimensione completa del checkpoint. Un encoder visivo fornisce la parte visiva del modello.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Il produttore raccomanda di mantenere, ove possibile, un contesto di almeno 128K per attività di ragionamento complesse, anche se ridurlo allevierebbe la pressione sulla memoria. Testo sorgente, elementi visivi rappresentati, messaggi storici, ragionamento e risposta finale condividono il budget di sequenza configurato.
Usare gli input e le modalità di risposta
La scheda mostra domande testuali, su immagini e su video. Per un diagramma o una pagina, preservare le etichette e definire la domanda esatta. Per una clip, mantenere i tempi e indicare l’evento di interesse. L’esempio video supportato dal produttore usa per default due fotogrammi al secondo e consente la configurazione del campionamento. La procedura delle buone pratiche amplia il budget del processore video a circa 224K token video per analisi a frequenza maggiore su scala oraria; è un esempio di configurazione anziché un limite rigido e universale di durata delle clip.
Il ragionamento è abilitato per impostazione predefinita. Il controllo enable_thinking del produttore può disabilitarlo per una risposta diretta. Qwen3.6 non supporta ufficialmente i precedenti comandi nel prompt di Qwen3 /think e /nothink. Separare il ragionamento dall’artefatto finale quando si presenta un risultato e seguire l’interfaccia propria di questo checkpoint anziché presumere che si applichino marcatori o controlli di un’altra generazione.
Conservare il ragionamento storico
Per impostazione predefinita, il template conserva i blocchi di ragionamento associati all’ultimo messaggio dell’utente. Qwen3.6 è stato inoltre addestrato a usare ragionamenti storici quando preserve_thinking è abilitato. L’esempio esplicito imposta tale opzione su true. Questo può aiutare un’attività iterativa con agenti a mantenere il contesto decisionale invece di ricavare ripetutamente le scelte precedenti; cambia anche la quantità di cronologia trasportata dalla richiesta. La disponibilità dell’opzione dipende dall’interfaccia che espone la procedura del produttore.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent per configurarli, compresi strumenti collegati tramite MCP. Qwen Code è un altro flusso con agente di programmazione documentato dal produttore. Definire strumenti consentiti, obiettivo e prodotto atteso, quindi restituire al modello le osservazioni effettive degli strumenti. Il modello può ragionare su un risultato e rivedere un piano; l’accesso a file o ambienti di esecuzione proviene dall’applicazione collegata, non dal nome del modello.
Testi ultraestesi
L’estensione documentata del contesto usa YaRN con le impostazioni posizionali interlacciate del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; per carichi da 524,288 token, Qwen suggerisce un fattore di due. La scalatura statica può influire sulle prestazioni dei testi più brevi, quindi il produttore raccomanda di cambiarla quando serve un contesto più lungo. Conservare identificatori di sezioni e codice in un input grande e chiedere che il risultato mostri le evidenze a sostegno di ogni conclusione.
Indicazioni per la generazione e limiti
Per il ragionamento generale, il produttore raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0. Per generare codice con precisione, il valore di temperature diventa 0.6 e la penalità di presenza è pari a zero. Per risposte dirette raccomanda temperature 0.7, top_p 0.8 e penalità di presenza 1.5, lasciando invariati gli altri valori. Penalità di presenza maggiori possono ridurre le ripetizioni ma possono mescolare le lingue o ridurre leggermente la qualità.
Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle domande e di 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi dell’output stabiliti separatamente. Indicare esplicitamente il formato finale e verificare codice, calcoli e dettagli visivi estratti rispetto alla fonte. Continuità del ragionamento e contesto lungo aiutano a conservare le evidenze di un’attività, mentre un artefatto finale verificabile rende utile il risultato.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.6-35b-a3b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000566 / 1K token Output · Token in output $0.00341 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000566 / 1K token Output · Token in output $0.00341 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B è il modello visivo-linguistico mixture-of-experts di Qwen con 35 miliardi di parametri totali e 3 miliardi attivati. Si concentra sulla programmazione frontend e a livello di repository, aggiunge la conservazione opzionale del ragionamento storico e accetta testo, immagini e video con output testuale.
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: programmazione e continuità del ragionamento
Qwen3.6-35B-A3B è un modello visivo-linguistico incentrato sul lavoro utile di programmazione e con agenti. Qwen evidenzia flussi frontend più forti e ragionamento a livello di repository, oltre a una nuova opzione per conservare il ragionamento dei messaggi storici. Accetta testo, immagini e video e restituisce testo: una spiegazione, una proposta di codice, un’analisi strutturata o un altro artefatto testuale richiesto. Preservare questa precisa edizione 35B-A3B anziché trattarla come il denso Qwen3.6-27B o la sua precedente controparte Qwen3.5.
Per un’attività frontend, fornire lo screenshot pertinente, i requisiti funzionali e il contesto di codice esistente. Chiedere sorgente modificabile e una descrizione degli stati e delle interazioni previsti. Per un’attività sul repository, identificare la funzionalità interessata, l’input che espone un problema e il comportamento atteso. Richiedere una patch proposta con ipotesi e controlli pertinenti.
Panoramica del modello
Il modello mixture-of-experts ha 35 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 40 livelli ripete tre livelli a esperti Gated DeltaNet seguiti da un livello a esperti di attenzione con gating. Ha 256 esperti instradati e seleziona otto esperti instradati con un esperto condiviso; la previsione di più token fa parte dell’addestramento. Il numero inferiore di parametri attivati non descrive la dimensione completa del checkpoint. Un encoder visivo fornisce la parte visiva del modello.
Il contesto nativo è di 262,144 token, con estensione condizionata a 1,010,000. Il produttore raccomanda di mantenere, ove possibile, un contesto di almeno 128K per attività di ragionamento complesse, anche se ridurlo allevierebbe la pressione sulla memoria. Testo sorgente, elementi visivi rappresentati, messaggi storici, ragionamento e risposta finale condividono il budget di sequenza configurato.
Usare gli input e le modalità di risposta
La scheda mostra domande testuali, su immagini e su video. Per un diagramma o una pagina, preservare le etichette e definire la domanda esatta. Per una clip, mantenere i tempi e indicare l’evento di interesse. L’esempio video supportato dal produttore usa per default due fotogrammi al secondo e consente la configurazione del campionamento. La procedura delle buone pratiche amplia il budget del processore video a circa 224K token video per analisi a frequenza maggiore su scala oraria; è un esempio di configurazione anziché un limite rigido e universale di durata delle clip.
Il ragionamento è abilitato per impostazione predefinita. Il controllo enable_thinking del produttore può disabilitarlo per una risposta diretta. Qwen3.6 non supporta ufficialmente i precedenti comandi nel prompt di Qwen3 /think e /nothink. Separare il ragionamento dall’artefatto finale quando si presenta un risultato e seguire l’interfaccia propria di questo checkpoint anziché presumere che si applichino marcatori o controlli di un’altra generazione.
Conservare il ragionamento storico
Per impostazione predefinita, il template conserva i blocchi di ragionamento associati all’ultimo messaggio dell’utente. Qwen3.6 è stato inoltre addestrato a usare ragionamenti storici quando preserve_thinking è abilitato. L’esempio esplicito imposta tale opzione su true. Questo può aiutare un’attività iterativa con agenti a mantenere il contesto decisionale invece di ricavare ripetutamente le scelte precedenti; cambia anche la quantità di cronologia trasportata dalla richiesta. La disponibilità dell’opzione dipende dall’interfaccia che espone la procedura del produttore.
Uso come agente
Qwen documenta le chiamate a strumenti e raccomanda Qwen-Agent per configurarli, compresi strumenti collegati tramite MCP. Qwen Code è un altro flusso con agente di programmazione documentato dal produttore. Definire strumenti consentiti, obiettivo e prodotto atteso, quindi restituire al modello le osservazioni effettive degli strumenti. Il modello può ragionare su un risultato e rivedere un piano; l’accesso a file o ambienti di esecuzione proviene dall’applicazione collegata, non dal nome del modello.
Testi ultraestesi
L’estensione documentata del contesto usa YaRN con le impostazioni posizionali interlacciate del checkpoint. Un fattore di quattro mira al flusso di circa un milione di token; per carichi da 524,288 token, Qwen suggerisce un fattore di due. La scalatura statica può influire sulle prestazioni dei testi più brevi, quindi il produttore raccomanda di cambiarla quando serve un contesto più lungo. Conservare identificatori di sezioni e codice in un input grande e chiedere che il risultato mostri le evidenze a sostegno di ogni conclusione.
Indicazioni per la generazione e limiti
Per il ragionamento generale, il produttore raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 1.5 e penalità di ripetizione 1.0. Per generare codice con precisione, il valore di temperature diventa 0.6 e la penalità di presenza è pari a zero. Per risposte dirette raccomanda temperature 0.7, top_p 0.8 e penalità di presenza 1.5, lasciando invariati gli altri valori. Penalità di presenza maggiori possono ridurre le ripetizioni ma possono mescolare le lingue o ridurre leggermente la qualità.
Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle domande e di 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi dell’output stabiliti separatamente. Indicare esplicitamente il formato finale e verificare codice, calcoli e dettagli visivi estratti rispetto alla fonte. Continuità del ragionamento e contesto lungo aiutano a conservare le evidenze di un’attività, mentre un artefatto finale verificabile rende utile il risultato.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.6-35b-a3b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000566 / 1K token Output · Token in output $0.00341 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000566 / 1K token Output · Token in output $0.00341 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.