Sorotan Qwen3.5: model pakar 122B-A10B
Qwen3.5-122B-A10B ialah model penglihatan-bahasa yang menjalani pascalatihan untuk tugas teks dan visual bersepadu. Ia menerima teks, imej dan video serta mengembalikan teks, termasuk penjelasan, cadangan kod dan artifak dokumen yang diminta. Keluarga ini dibina melalui gabungan awal teks–penglihatan dan pembelajaran pengukuhan pada tugas yang semakin kompleks, membangunkan penaakulan, pengekodan, ejen serta pemahaman visual. Ia menerangkan liputan 201 bahasa dan dialek, tanpa membayangkan bahawa setiap bahasa atau domain mempunyai kebolehpercayaan yang sama.
Tugas berguna boleh menggabungkan spesifikasi teknikal, rajah dan kod berkaitan, dengan meminta model menerangkan komponen serta mengembalikan cadangan pelaksanaan. Tugas analisis dokumen boleh meminta perbandingan dengan rujukan bahagian atau halaman sokongan.
Gambaran keseluruhan model
Checkpoint campuran pakar dengan pengaktifan terpilih ini mempunyai 122 bilion parameter keseluruhan dan mengaktifkan sepuluh bilion. Ia mempunyai 48 lapisan model bahasa, dengan kumpulan tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Pembuat menyenaraikan 256 pakar dalam sistem penghalaan, dengan lapan pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Pengekod penglihatan dan ramalan berbilang token ialah sebahagian daripada model. Bilangan parameter keseluruhan dan parameter yang diaktifkan mempunyai makna berbeza; angka parameter yang diaktifkan bukan saiz checkpoint lengkap.
Ini ialah edisi berbeza daripada Qwen3.5-27B padat, Qwen3.5-35B-A3B dengan pengaktifan terpilih dan generasi model kemudian. Jangan simpulkan kedudukan prestasi atau kependaman umum daripada saiz sahaja. Konteks natif ialah 262,144 token dan peluasan yang didokumenkan mencapai 1,010,000 dengan konfigurasi. Qwen menyarankan pengekalan konteks sekurang-kurangnya 128K jika boleh untuk pemikiran kompleks, sambil mengakui tekanan memori mungkin memerlukan tetingkap lebih kecil.
Menyediakan bukti teks dan visual bersepadu
Kekalkan label rajah, paksi carta, tajuk jadual dan unit. Nyatakan sama ada hasil perlu menerangkan hubungan, mengekstrak medan bernama atau mencadangkan kod. Apabila beberapa sumber penting, labelkannya dan minta output yang disusun mengikut pengecam sama. Asingkan fakta yang kelihatan daripada andaian supaya penyemak boleh menjejaki penaakulan kepada bahan yang dibekalkan.
Untuk permintaan pengekodan, kenal pasti tingkah laku yang dimaksudkan, sumber berkaitan dan input yang menunjukkan isu. Minta tampalan yang boleh disunting dengan penjelasan syarat serta pemeriksaan yang terjejas. Untuk video, kekalkan urutan peristiwa serta masa dan nyatakan soalan, bukannya meminta ringkasan tanpa pembezaan. Hasil teks model ialah artifak draf untuk diperiksa; keupayaan input visual tidak bermaksud penjanaan imej, video atau pertuturan.
Pemikiran dan sejarah
Pemikiran didayakan secara lalai, dengan penaakulan sebelum jawapan akhir. Tetapan enable_thinking pembuat boleh menyahdayakannya untuk respons terus. Arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink tidak disokong secara rasmi. Qwen3.5 mengesyorkan pengekalan jawapan akhir tanpa kandungan pemikiran dalam mesej pembantu terdahulu. Ini tidak patut digantikan dengan pilihan pengekalan sejarah generasi Qwen kemudian semata-mata kerana berkongsi nama keluarga.
Pastikan hasil akhir mudah ditemui, seperti medan jawapan yang ditentukan, nilai berpembatas atau artifak kod berasingan. Jawapan terus masih memerlukan pemeriksaan, manakala penaakulan lebih panjang hanya berguna apabila langkahnya menyokong kesimpulan yang boleh disahkan.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, bersama Qwen Code untuk kerja ejen pengekodan. Tentukan tindakan yang dibenarkan, bukti yang tersedia dan kriteria penyiapan. Alat yang disambungkan melaksanakan operasi dan mengembalikan hasil; model menggunakan maklum balas itu dalam analisis. Arahan, pertanyaan pengambilan maklumat atau tampalan yang dicadangkan perlu kekal berbeza daripada tindakan yang benar-benar diselesaikan aplikasi.
Konteks dan video amat panjang
Peluasan pembuat menggunakan YaRN dengan tetapan kedudukan berselang checkpoint. Faktor empat menyasarkan aliran kerja kira-kira satu juta token, dan dua dicadangkan untuk beban kerja 524,288 token. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, maka ia perlu mengikut keperluan sebenar konteks lebih besar. Input, perwakilan visual, sejarah, penaakulan dan respons akhir semuanya menggunakan bajet urutan yang dikonfigurasi.
Contoh video yang disokong menggunakan dua bingkai sesaat secara lalai. Untuk bahan berskala jam, pembuat mengesyorkan peningkatan bajet pemproses kepada kira-kira 224K token video untuk pensampelan berkadar lebih tinggi. Itu ialah resipi bergantung konfigurasi, bukannya jaminan tempoh media, ingatan semula lengkap atau ketepatan cap masa sejagat.
Panduan penjanaan dan had utama
Best Practices mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 1.5 dan penalti pengulangan 1.0 untuk pemikiran umum. Pengekodan tepat menggunakan temperature 0.6 dan penalti kehadiran sifar. Respons terus umum menggunakan temperature 0.7, top_p 0.8 dan penalti kehadiran 1.5; top_k ialah 20, min_p ialah 0 dan penalti pengulangan ialah 1.0. Penaakulan respons terus mempunyai pratetap berasingan: temperature 1.0, top_p 1.0, top_k 40 dan penalti kehadiran 2.0. Penalti kehadiran lebih tinggi boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Peruntukan penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk kerja matematik atau pengaturcaraan yang luar biasa kompleks; ia bukan had mutlak output yang ditetapkan secara berasingan. Tentukan format yang diminta, kekalkan pengecam sumber dan periksa pengiraan, nilai yang diekstrak serta kod yang dicadangkan berdasarkan bukti asal. Hasil berguna ialah artifak teks lengkap yang andaian serta bahan sokongannya kekal kelihatan.
", "aboutText": "Sorotan Qwen3.5: model pakar 122B-A10B\n\nQwen3.5-122B-A10B ialah model penglihatan-bahasa yang menjalani pascalatihan untuk tugas teks dan visual bersepadu. Ia menerima teks, imej dan video serta mengembalikan teks, termasuk penjelasan, cadangan kod dan artifak dokumen yang diminta. Keluarga ini dibina melalui gabungan awal teks–penglihatan dan pembelajaran pengukuhan pada tugas yang semakin kompleks, membangunkan penaakulan, pengekodan, ejen serta pemahaman visual. Ia menerangkan liputan 201 bahasa dan dialek, tanpa membayangkan bahawa setiap bahasa atau domain mempunyai kebolehpercayaan yang sama.\n\nTugas berguna boleh menggabungkan spesifikasi teknikal, rajah dan kod berkaitan, dengan meminta model menerangkan komponen serta mengembalikan cadangan pelaksanaan. Tugas analisis dokumen boleh meminta perbandingan dengan rujukan bahagian atau halaman sokongan.\n\nGambaran keseluruhan model\n\nCheckpoint campuran pakar dengan pengaktifan terpilih ini mempunyai 122 bilion parameter keseluruhan dan mengaktifkan sepuluh bilion. Ia mempunyai 48 lapisan model bahasa, dengan kumpulan tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Pembuat menyenaraikan 256 pakar dalam sistem penghalaan, dengan lapan pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Pengekod penglihatan dan ramalan berbilang token ialah sebahagian daripada model. Bilangan parameter keseluruhan dan parameter yang diaktifkan mempunyai makna berbeza; angka parameter yang diaktifkan bukan saiz checkpoint lengkap.\n\nIni ialah edisi berbeza daripada Qwen3.5-27B padat, Qwen3.5-35B-A3B dengan pengaktifan terpilih dan generasi model kemudian. Jangan simpulkan kedudukan prestasi atau kependaman umum daripada saiz sahaja. Konteks natif ialah 262,144 token dan peluasan yang didokumenkan mencapai 1,010,000 dengan konfigurasi. Qwen menyarankan pengekalan konteks sekurang-kurangnya 128K jika boleh untuk pemikiran kompleks, sambil mengakui tekanan memori mungkin memerlukan tetingkap lebih kecil.\n\nMenyediakan bukti teks dan visual bersepadu\n\nKekalkan label rajah, paksi carta, tajuk jadual dan unit. Nyatakan sama ada hasil perlu menerangkan hubungan, mengekstrak medan bernama atau mencadangkan kod. Apabila beberapa sumber penting, labelkannya dan minta output yang disusun mengikut pengecam sama. Asingkan fakta yang kelihatan daripada andaian supaya penyemak boleh menjejaki penaakulan kepada bahan yang dibekalkan.\n\nUntuk permintaan pengekodan, kenal pasti tingkah laku yang dimaksudkan, sumber berkaitan dan input yang menunjukkan isu. Minta tampalan yang boleh disunting dengan penjelasan syarat serta pemeriksaan yang terjejas. Untuk video, kekalkan urutan peristiwa serta masa dan nyatakan soalan, bukannya meminta ringkasan tanpa pembezaan. Hasil teks model ialah artifak draf untuk diperiksa; keupayaan input visual tidak bermaksud penjanaan imej, video atau pertuturan.\n\nPemikiran dan sejarah\n\nPemikiran didayakan secara lalai, dengan penaakulan sebelum jawapan akhir. Tetapan enable_thinking pembuat boleh menyahdayakannya untuk respons terus. Arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink tidak disokong secara rasmi. Qwen3.5 mengesyorkan pengekalan jawapan akhir tanpa kandungan pemikiran dalam mesej pembantu terdahulu. Ini tidak patut digantikan dengan pilihan pengekalan sejarah generasi Qwen kemudian semata-mata kerana berkongsi nama keluarga.\n\nPastikan hasil akhir mudah ditemui, seperti medan jawapan yang ditentukan, nilai berpembatas atau artifak kod berasingan. Jawapan terus masih memerlukan pemeriksaan, manakala penaakulan lebih panjang hanya berguna apabila langkahnya menyokong kesimpulan yang boleh disahkan.\n\nPenggunaan ejen\n\nQwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, bersama Qwen Code untuk kerja ejen pengekodan. Tentukan tindakan yang dibenarkan, bukti yang tersedia dan kriteria penyiapan. Alat yang disambungkan melaksanakan operasi dan mengembalikan hasil; model menggunakan maklum balas itu dalam analisis. Arahan, pertanyaan pengambilan maklumat atau tampalan yang dicadangkan perlu kekal berbeza daripada tindakan yang benar-benar diselesaikan aplikasi.\n\nKonteks dan video amat panjang\n\nPeluasan pembuat menggunakan YaRN dengan tetapan kedudukan berselang checkpoint. Faktor empat menyasarkan aliran kerja kira-kira satu juta token, dan dua dicadangkan untuk beban kerja 524,288 token. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, maka ia perlu mengikut keperluan sebenar konteks lebih besar. Input, perwakilan visual, sejarah, penaakulan dan respons akhir semuanya menggunakan bajet urutan yang dikonfigurasi.\n\nContoh video yang disokong menggunakan dua bingkai sesaat secara lalai. Untuk bahan berskala jam, pembuat mengesyorkan peningkatan bajet pemproses kepada kira-kira 224K token video untuk pensampelan berkadar lebih tinggi. Itu ialah resipi bergantung konfigurasi, bukannya jaminan tempoh media, ingatan semula lengkap atau ketepatan cap masa sejagat.\n\nPanduan penjanaan dan had utama\n\nBest Practices mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 1.5 dan penalti pengulangan 1.0 untuk pemikiran umum. Pengekodan tepat menggunakan temperature 0.6 dan penalti kehadiran sifar. Respons terus umum menggunakan temperature 0.7, top_p 0.8 dan penalti kehadiran 1.5; top_k ialah 20, min_p ialah 0 dan penalti pengulangan ialah 1.0. Penaakulan respons terus mempunyai pratetap berasingan: temperature 1.0, top_p 1.0, top_k 40 dan penalti kehadiran 2.0. Penalti kehadiran lebih tinggi boleh mencampurkan bahasa atau sedikit menurunkan kualiti.\n\nPeruntukan penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk kerja matematik atau pengaturcaraan yang luar biasa kompleks; ia bukan had mutlak output yang ditetapkan secara berasingan. Tentukan format yang diminta, kekalkan pengecam sumber dan periksa pengiraan, nilai yang diekstrak serta kod yang dicadangkan berdasarkan bukti asal. Hasil berguna ialah artifak teks lengkap yang andaian serta bahan sokongannya kekal kelihatan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B ialah model penglihatan-bahasa campuran pakar Qwen dengan 122 bilion parameter keseluruhan dan 10 bilion diaktifkan. Ia menerima teks, imej dan video untuk tugas penaakulan, pengekodan serta ejen, mengembalikan teks dengan mod berfikir yang boleh dipilih dan konteks natif 262,144 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.5: model pakar 122B-A10B
Qwen3.5-122B-A10B ialah model penglihatan-bahasa yang menjalani pascalatihan untuk tugas teks dan visual bersepadu. Ia menerima teks, imej dan video serta mengembalikan teks, termasuk penjelasan, cadangan kod dan artifak dokumen yang diminta. Keluarga ini dibina melalui gabungan awal teks–penglihatan dan pembelajaran pengukuhan pada tugas yang semakin kompleks, membangunkan penaakulan, pengekodan, ejen serta pemahaman visual. Ia menerangkan liputan 201 bahasa dan dialek, tanpa membayangkan bahawa setiap bahasa atau domain mempunyai kebolehpercayaan yang sama.
Tugas berguna boleh menggabungkan spesifikasi teknikal, rajah dan kod berkaitan, dengan meminta model menerangkan komponen serta mengembalikan cadangan pelaksanaan. Tugas analisis dokumen boleh meminta perbandingan dengan rujukan bahagian atau halaman sokongan.
Gambaran keseluruhan model
Checkpoint campuran pakar dengan pengaktifan terpilih ini mempunyai 122 bilion parameter keseluruhan dan mengaktifkan sepuluh bilion. Ia mempunyai 48 lapisan model bahasa, dengan kumpulan tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Pembuat menyenaraikan 256 pakar dalam sistem penghalaan, dengan lapan pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Pengekod penglihatan dan ramalan berbilang token ialah sebahagian daripada model. Bilangan parameter keseluruhan dan parameter yang diaktifkan mempunyai makna berbeza; angka parameter yang diaktifkan bukan saiz checkpoint lengkap.
Ini ialah edisi berbeza daripada Qwen3.5-27B padat, Qwen3.5-35B-A3B dengan pengaktifan terpilih dan generasi model kemudian. Jangan simpulkan kedudukan prestasi atau kependaman umum daripada saiz sahaja. Konteks natif ialah 262,144 token dan peluasan yang didokumenkan mencapai 1,010,000 dengan konfigurasi. Qwen menyarankan pengekalan konteks sekurang-kurangnya 128K jika boleh untuk pemikiran kompleks, sambil mengakui tekanan memori mungkin memerlukan tetingkap lebih kecil.
Menyediakan bukti teks dan visual bersepadu
Kekalkan label rajah, paksi carta, tajuk jadual dan unit. Nyatakan sama ada hasil perlu menerangkan hubungan, mengekstrak medan bernama atau mencadangkan kod. Apabila beberapa sumber penting, labelkannya dan minta output yang disusun mengikut pengecam sama. Asingkan fakta yang kelihatan daripada andaian supaya penyemak boleh menjejaki penaakulan kepada bahan yang dibekalkan.
Untuk permintaan pengekodan, kenal pasti tingkah laku yang dimaksudkan, sumber berkaitan dan input yang menunjukkan isu. Minta tampalan yang boleh disunting dengan penjelasan syarat serta pemeriksaan yang terjejas. Untuk video, kekalkan urutan peristiwa serta masa dan nyatakan soalan, bukannya meminta ringkasan tanpa pembezaan. Hasil teks model ialah artifak draf untuk diperiksa; keupayaan input visual tidak bermaksud penjanaan imej, video atau pertuturan.
Pemikiran dan sejarah
Pemikiran didayakan secara lalai, dengan penaakulan sebelum jawapan akhir. Tetapan enable_thinking pembuat boleh menyahdayakannya untuk respons terus. Arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink tidak disokong secara rasmi. Qwen3.5 mengesyorkan pengekalan jawapan akhir tanpa kandungan pemikiran dalam mesej pembantu terdahulu. Ini tidak patut digantikan dengan pilihan pengekalan sejarah generasi Qwen kemudian semata-mata kerana berkongsi nama keluarga.
Pastikan hasil akhir mudah ditemui, seperti medan jawapan yang ditentukan, nilai berpembatas atau artifak kod berasingan. Jawapan terus masih memerlukan pemeriksaan, manakala penaakulan lebih panjang hanya berguna apabila langkahnya menyokong kesimpulan yang boleh disahkan.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, bersama Qwen Code untuk kerja ejen pengekodan. Tentukan tindakan yang dibenarkan, bukti yang tersedia dan kriteria penyiapan. Alat yang disambungkan melaksanakan operasi dan mengembalikan hasil; model menggunakan maklum balas itu dalam analisis. Arahan, pertanyaan pengambilan maklumat atau tampalan yang dicadangkan perlu kekal berbeza daripada tindakan yang benar-benar diselesaikan aplikasi.
Konteks dan video amat panjang
Peluasan pembuat menggunakan YaRN dengan tetapan kedudukan berselang checkpoint. Faktor empat menyasarkan aliran kerja kira-kira satu juta token, dan dua dicadangkan untuk beban kerja 524,288 token. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, maka ia perlu mengikut keperluan sebenar konteks lebih besar. Input, perwakilan visual, sejarah, penaakulan dan respons akhir semuanya menggunakan bajet urutan yang dikonfigurasi.
Contoh video yang disokong menggunakan dua bingkai sesaat secara lalai. Untuk bahan berskala jam, pembuat mengesyorkan peningkatan bajet pemproses kepada kira-kira 224K token video untuk pensampelan berkadar lebih tinggi. Itu ialah resipi bergantung konfigurasi, bukannya jaminan tempoh media, ingatan semula lengkap atau ketepatan cap masa sejagat.
Panduan penjanaan dan had utama
Best Practices mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 1.5 dan penalti pengulangan 1.0 untuk pemikiran umum. Pengekodan tepat menggunakan temperature 0.6 dan penalti kehadiran sifar. Respons terus umum menggunakan temperature 0.7, top_p 0.8 dan penalti kehadiran 1.5; top_k ialah 20, min_p ialah 0 dan penalti pengulangan ialah 1.0. Penaakulan respons terus mempunyai pratetap berasingan: temperature 1.0, top_p 1.0, top_k 40 dan penalti kehadiran 2.0. Penalti kehadiran lebih tinggi boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Peruntukan penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk kerja matematik atau pengaturcaraan yang luar biasa kompleks; ia bukan had mutlak output yang ditetapkan secara berasingan. Tentukan format yang diminta, kekalkan pengecam sumber dan periksa pengiraan, nilai yang diekstrak serta kod yang dicadangkan berdasarkan bukti asal. Hasil berguna ialah artifak teks lengkap yang andaian serta bahan sokongannya kekal kelihatan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.5-122b-a10b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00058 / 1K token Output · Token output $0.00458 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00058 / 1K token Output · Token output $0.00458 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-122b-a10b',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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B ialah model penglihatan-bahasa campuran pakar Qwen dengan 122 bilion parameter keseluruhan dan 10 bilion diaktifkan. Ia menerima teks, imej dan video untuk tugas penaakulan, pengekodan serta ejen, mengembalikan teks dengan mod berfikir yang boleh dipilih dan konteks natif 262,144 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.5: model pakar 122B-A10B
Qwen3.5-122B-A10B ialah model penglihatan-bahasa yang menjalani pascalatihan untuk tugas teks dan visual bersepadu. Ia menerima teks, imej dan video serta mengembalikan teks, termasuk penjelasan, cadangan kod dan artifak dokumen yang diminta. Keluarga ini dibina melalui gabungan awal teks–penglihatan dan pembelajaran pengukuhan pada tugas yang semakin kompleks, membangunkan penaakulan, pengekodan, ejen serta pemahaman visual. Ia menerangkan liputan 201 bahasa dan dialek, tanpa membayangkan bahawa setiap bahasa atau domain mempunyai kebolehpercayaan yang sama.
Tugas berguna boleh menggabungkan spesifikasi teknikal, rajah dan kod berkaitan, dengan meminta model menerangkan komponen serta mengembalikan cadangan pelaksanaan. Tugas analisis dokumen boleh meminta perbandingan dengan rujukan bahagian atau halaman sokongan.
Gambaran keseluruhan model
Checkpoint campuran pakar dengan pengaktifan terpilih ini mempunyai 122 bilion parameter keseluruhan dan mengaktifkan sepuluh bilion. Ia mempunyai 48 lapisan model bahasa, dengan kumpulan tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Pembuat menyenaraikan 256 pakar dalam sistem penghalaan, dengan lapan pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Pengekod penglihatan dan ramalan berbilang token ialah sebahagian daripada model. Bilangan parameter keseluruhan dan parameter yang diaktifkan mempunyai makna berbeza; angka parameter yang diaktifkan bukan saiz checkpoint lengkap.
Ini ialah edisi berbeza daripada Qwen3.5-27B padat, Qwen3.5-35B-A3B dengan pengaktifan terpilih dan generasi model kemudian. Jangan simpulkan kedudukan prestasi atau kependaman umum daripada saiz sahaja. Konteks natif ialah 262,144 token dan peluasan yang didokumenkan mencapai 1,010,000 dengan konfigurasi. Qwen menyarankan pengekalan konteks sekurang-kurangnya 128K jika boleh untuk pemikiran kompleks, sambil mengakui tekanan memori mungkin memerlukan tetingkap lebih kecil.
Menyediakan bukti teks dan visual bersepadu
Kekalkan label rajah, paksi carta, tajuk jadual dan unit. Nyatakan sama ada hasil perlu menerangkan hubungan, mengekstrak medan bernama atau mencadangkan kod. Apabila beberapa sumber penting, labelkannya dan minta output yang disusun mengikut pengecam sama. Asingkan fakta yang kelihatan daripada andaian supaya penyemak boleh menjejaki penaakulan kepada bahan yang dibekalkan.
Untuk permintaan pengekodan, kenal pasti tingkah laku yang dimaksudkan, sumber berkaitan dan input yang menunjukkan isu. Minta tampalan yang boleh disunting dengan penjelasan syarat serta pemeriksaan yang terjejas. Untuk video, kekalkan urutan peristiwa serta masa dan nyatakan soalan, bukannya meminta ringkasan tanpa pembezaan. Hasil teks model ialah artifak draf untuk diperiksa; keupayaan input visual tidak bermaksud penjanaan imej, video atau pertuturan.
Pemikiran dan sejarah
Pemikiran didayakan secara lalai, dengan penaakulan sebelum jawapan akhir. Tetapan enable_thinking pembuat boleh menyahdayakannya untuk respons terus. Arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink tidak disokong secara rasmi. Qwen3.5 mengesyorkan pengekalan jawapan akhir tanpa kandungan pemikiran dalam mesej pembantu terdahulu. Ini tidak patut digantikan dengan pilihan pengekalan sejarah generasi Qwen kemudian semata-mata kerana berkongsi nama keluarga.
Pastikan hasil akhir mudah ditemui, seperti medan jawapan yang ditentukan, nilai berpembatas atau artifak kod berasingan. Jawapan terus masih memerlukan pemeriksaan, manakala penaakulan lebih panjang hanya berguna apabila langkahnya menyokong kesimpulan yang boleh disahkan.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, bersama Qwen Code untuk kerja ejen pengekodan. Tentukan tindakan yang dibenarkan, bukti yang tersedia dan kriteria penyiapan. Alat yang disambungkan melaksanakan operasi dan mengembalikan hasil; model menggunakan maklum balas itu dalam analisis. Arahan, pertanyaan pengambilan maklumat atau tampalan yang dicadangkan perlu kekal berbeza daripada tindakan yang benar-benar diselesaikan aplikasi.
Konteks dan video amat panjang
Peluasan pembuat menggunakan YaRN dengan tetapan kedudukan berselang checkpoint. Faktor empat menyasarkan aliran kerja kira-kira satu juta token, dan dua dicadangkan untuk beban kerja 524,288 token. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, maka ia perlu mengikut keperluan sebenar konteks lebih besar. Input, perwakilan visual, sejarah, penaakulan dan respons akhir semuanya menggunakan bajet urutan yang dikonfigurasi.
Contoh video yang disokong menggunakan dua bingkai sesaat secara lalai. Untuk bahan berskala jam, pembuat mengesyorkan peningkatan bajet pemproses kepada kira-kira 224K token video untuk pensampelan berkadar lebih tinggi. Itu ialah resipi bergantung konfigurasi, bukannya jaminan tempoh media, ingatan semula lengkap atau ketepatan cap masa sejagat.
Panduan penjanaan dan had utama
Best Practices mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 1.5 dan penalti pengulangan 1.0 untuk pemikiran umum. Pengekodan tepat menggunakan temperature 0.6 dan penalti kehadiran sifar. Respons terus umum menggunakan temperature 0.7, top_p 0.8 dan penalti kehadiran 1.5; top_k ialah 20, min_p ialah 0 dan penalti pengulangan ialah 1.0. Penaakulan respons terus mempunyai pratetap berasingan: temperature 1.0, top_p 1.0, top_k 40 dan penalti kehadiran 2.0. Penalti kehadiran lebih tinggi boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Peruntukan penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk kerja matematik atau pengaturcaraan yang luar biasa kompleks; ia bukan had mutlak output yang ditetapkan secara berasingan. Tentukan format yang diminta, kekalkan pengecam sumber dan periksa pengiraan, nilai yang diekstrak serta kod yang dicadangkan berdasarkan bukti asal. Hasil berguna ialah artifak teks lengkap yang andaian serta bahan sokongannya kekal kelihatan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.5-122b-a10b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00058 / 1K token Output · Token output $0.00458 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00058 / 1K token Output · Token output $0.00458 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', '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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.