Sorotan Qwen3.5 dalam edisi padat 27B
Qwen3.5-27B ialah model penglihatan-bahasa padat yang menjalani pascalatihan. Teks, imej dan video boleh digunakan bersama dalam satu tugas, manakala hasilnya ialah teks: penjelasan, cadangan kod, maklumat yang diekstrak atau artifak lain yang diminta. Gabungan awal latihan teks serta visual keluarga ini membangunkan kebolehan penaakulan, pengekodan, ejen dan visual, dengan pembelajaran pengukuhan merentas tugas yang semakin kompleks serta sokongan untuk 201 bahasa dan dialek.
Liputan bahasa itu membantu merangka tugas berbilang bahasa tetapi tidak menjamin kebolehpercayaan yang sama bagi setiap dialek atau kosa kata khusus. Berikan bahasa sasaran, khalayak dan istilah yang perlu kekal tidak berubah. Untuk perbandingan dokumen merentas bahasa, labelkan setiap sumber dan minta hasil yang disusun mengikut fakta atau soalan yang perlu dibandingkan.
Gambaran keseluruhan model
Edisi tepat 27B ini padat, dengan 64 lapisan model bahasa dan pengekod penglihatan. Susun atur hibridnya menyelang-selikan kumpulan tiga lapisan Gated DeltaNet dan satu lapisan perhatian dengan mekanisme gerbang, menggunakan rangkaian suap hadapan padat. Ramalan berbilang token disertakan dalam latihan. Seni bina campuran pakar dengan pengaktifan terpilih yang diterangkan bagi saiz Qwen3.5 lain tidak patut diberikan kepada model ini; identiti 27 bilion parameternya ialah spesifikasi checkpoint tersendiri.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat kepada 1,010,000. Qwen mengesyorkan pengekalan konteks sekurang-kurangnya 128K jika boleh untuk tugas pemikiran kompleks, sambil membenarkan tetapan lebih kecil apabila kekangan memori memerlukannya. Ini ialah panduan konfigurasi, bukannya bukti bahawa setiap antara muka menyediakan konteks penuh. Teks sumber, token visual, sejarah, penaakulan dan jawapan berkongsi peruntukan urutan.
Penyediaan teks dan visual
Untuk dokumen teknikal, simpan pengecam bahagian dan minta jadual keperluan atau penjelasan yang disokong oleh bahagian tersebut. Untuk rajah, kekalkan label dan berikan definisi yang tidak kelihatan dalam imej. Untuk tugas kod, bekalkan fungsi berkaitan, tingkah laku yang diperhatikan dan hasil yang diperlukan. Respons berguna perlu mengenal pasti bukti yang digunakan, mengasingkan andaian dan mengembalikan artifak akhir dalam bentuk yang boleh disemak.
Untuk soalan video, kenal pasti peristiwa atau urutan yang penting dan kekalkan masa serta susunan bingkai. Contoh pembuat menggunakan dua bingkai sesaat dalam aliran kerja yang disokong. Panduan video panjangnya mengesyorkan bajet pemproses lebih besar, bersamaan kira-kira 224K token video, untuk analisis berskala jam pada kadar lebih tinggi. Tetapan itu memerlukan konfigurasi dan tidak menetapkan jaminan tempoh sejagat atau cap masa peristiwa yang tepat.
Pemikiran dan respons terus
Pemikiran didayakan secara lalai dan mendahului respons akhir. enable_thinking boleh menyahdayakannya untuk jawapan terus. Qwen3.5 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink. Pembuat mengesyorkan pengekalan hanya teks jawapan akhir dalam mesej pembantu terdahulu, bukannya kandungan pemikiran. Ini ialah kontrak Qwen3.5 dan perlu kekal berasingan daripada tingkah laku pengekalan penaakulan terdahulu yang didokumenkan bagi keluaran kemudian.
Pilih bentuk akhir sebelum menghantar tugas: kesimpulan pendek dengan nilai sokongan, jadual medan yang diekstrak atau tampalan kod berpenjelasan. Respons terus masih merupakan jawapan yang dijana yang perlu disemak; transkrip pemikiran panjang bukan bukti bebas bahawa kesimpulannya betul.
Penggunaan ejen
Pembuat menyokong panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, serta Qwen Code untuk aliran kerja ejen pengekodan. Berikan peranan jelas kepada alat aplikasi dan kembalikan pemerhatian sebenar kepada model. Model boleh merancang serta menyemak menggunakan maklum balas itu, manakala aplikasi melaksanakan tindakan. Sokongan alat itu sendiri tidak menetapkan akses terbina dalam kepada internet, fail atau persekitaran pelaksanaan kod melalui setiap antara muka.
Teks amat panjang
Peluasan menggunakan YaRN dengan konfigurasi kedudukan checkpoint ini sendiri. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor dua dicadangkan untuk 524,288 token. Penskalaan statik boleh menurunkan kualiti teks lebih pendek, maka pembuat mengesyorkannya apabila konteks lebih besar benar-benar diperlukan. Susun bahan panjang dan sediakan ruang jawapan yang diperlukan, bukannya mentafsir angka konteks terbesar sebagai ingatan semula dokumen tanpa had.
Panduan penjanaan dan had
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 menggunakan pratetap Best Practices berasingan, iaitu temperature 1.0, top_p 1.0, top_k 40 dan penalti kehadiran 2.0. Penalti kehadiran lebih besar boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Bajet penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan tugas dan 81,920 untuk matematik atau pengaturcaraan yang luar biasa kompleks. Ia bukan had mutlak output yang berdiri sendiri. Nyatakan skema jawapan atau pembatas secara eksplisit dan periksa kod, pengiraan, petikan serta butiran visual berdasarkan sumber. Hasil berguna ialah artifak teks konkrit dengan identiti padat 27B tepat, input dan mod respons yang dikekalkan.
", "aboutText": "Sorotan Qwen3.5 dalam edisi padat 27B\n\nQwen3.5-27B ialah model penglihatan-bahasa padat yang menjalani pascalatihan. Teks, imej dan video boleh digunakan bersama dalam satu tugas, manakala hasilnya ialah teks: penjelasan, cadangan kod, maklumat yang diekstrak atau artifak lain yang diminta. Gabungan awal latihan teks serta visual keluarga ini membangunkan kebolehan penaakulan, pengekodan, ejen dan visual, dengan pembelajaran pengukuhan merentas tugas yang semakin kompleks serta sokongan untuk 201 bahasa dan dialek.\n\nLiputan bahasa itu membantu merangka tugas berbilang bahasa tetapi tidak menjamin kebolehpercayaan yang sama bagi setiap dialek atau kosa kata khusus. Berikan bahasa sasaran, khalayak dan istilah yang perlu kekal tidak berubah. Untuk perbandingan dokumen merentas bahasa, labelkan setiap sumber dan minta hasil yang disusun mengikut fakta atau soalan yang perlu dibandingkan.\n\nGambaran keseluruhan model\n\nEdisi tepat 27B ini padat, dengan 64 lapisan model bahasa dan pengekod penglihatan. Susun atur hibridnya menyelang-selikan kumpulan tiga lapisan Gated DeltaNet dan satu lapisan perhatian dengan mekanisme gerbang, menggunakan rangkaian suap hadapan padat. Ramalan berbilang token disertakan dalam latihan. Seni bina campuran pakar dengan pengaktifan terpilih yang diterangkan bagi saiz Qwen3.5 lain tidak patut diberikan kepada model ini; identiti 27 bilion parameternya ialah spesifikasi checkpoint tersendiri.\n\nKonteks natif ialah 262,144 token, dengan peluasan bersyarat kepada 1,010,000. Qwen mengesyorkan pengekalan konteks sekurang-kurangnya 128K jika boleh untuk tugas pemikiran kompleks, sambil membenarkan tetapan lebih kecil apabila kekangan memori memerlukannya. Ini ialah panduan konfigurasi, bukannya bukti bahawa setiap antara muka menyediakan konteks penuh. Teks sumber, token visual, sejarah, penaakulan dan jawapan berkongsi peruntukan urutan.\n\nPenyediaan teks dan visual\n\nUntuk dokumen teknikal, simpan pengecam bahagian dan minta jadual keperluan atau penjelasan yang disokong oleh bahagian tersebut. Untuk rajah, kekalkan label dan berikan definisi yang tidak kelihatan dalam imej. Untuk tugas kod, bekalkan fungsi berkaitan, tingkah laku yang diperhatikan dan hasil yang diperlukan. Respons berguna perlu mengenal pasti bukti yang digunakan, mengasingkan andaian dan mengembalikan artifak akhir dalam bentuk yang boleh disemak.\n\nUntuk soalan video, kenal pasti peristiwa atau urutan yang penting dan kekalkan masa serta susunan bingkai. Contoh pembuat menggunakan dua bingkai sesaat dalam aliran kerja yang disokong. Panduan video panjangnya mengesyorkan bajet pemproses lebih besar, bersamaan kira-kira 224K token video, untuk analisis berskala jam pada kadar lebih tinggi. Tetapan itu memerlukan konfigurasi dan tidak menetapkan jaminan tempoh sejagat atau cap masa peristiwa yang tepat.\n\nPemikiran dan respons terus\n\nPemikiran didayakan secara lalai dan mendahului respons akhir. enable_thinking boleh menyahdayakannya untuk jawapan terus. Qwen3.5 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink. Pembuat mengesyorkan pengekalan hanya teks jawapan akhir dalam mesej pembantu terdahulu, bukannya kandungan pemikiran. Ini ialah kontrak Qwen3.5 dan perlu kekal berasingan daripada tingkah laku pengekalan penaakulan terdahulu yang didokumenkan bagi keluaran kemudian.\n\nPilih bentuk akhir sebelum menghantar tugas: kesimpulan pendek dengan nilai sokongan, jadual medan yang diekstrak atau tampalan kod berpenjelasan. Respons terus masih merupakan jawapan yang dijana yang perlu disemak; transkrip pemikiran panjang bukan bukti bebas bahawa kesimpulannya betul.\n\nPenggunaan ejen\n\nPembuat menyokong panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, serta Qwen Code untuk aliran kerja ejen pengekodan. Berikan peranan jelas kepada alat aplikasi dan kembalikan pemerhatian sebenar kepada model. Model boleh merancang serta menyemak menggunakan maklum balas itu, manakala aplikasi melaksanakan tindakan. Sokongan alat itu sendiri tidak menetapkan akses terbina dalam kepada internet, fail atau persekitaran pelaksanaan kod melalui setiap antara muka.\n\nTeks amat panjang\n\nPeluasan menggunakan YaRN dengan konfigurasi kedudukan checkpoint ini sendiri. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor dua dicadangkan untuk 524,288 token. Penskalaan statik boleh menurunkan kualiti teks lebih pendek, maka pembuat mengesyorkannya apabila konteks lebih besar benar-benar diperlukan. Susun bahan panjang dan sediakan ruang jawapan yang diperlukan, bukannya mentafsir angka konteks terbesar sebagai ingatan semula dokumen tanpa had.\n\nPanduan penjanaan dan had\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 menggunakan pratetap Best Practices berasingan, iaitu temperature 1.0, top_p 1.0, top_k 40 dan penalti kehadiran 2.0. Penalti kehadiran lebih besar boleh mencampurkan bahasa atau sedikit menurunkan kualiti.\n\nBajet penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan tugas dan 81,920 untuk matematik atau pengaturcaraan yang luar biasa kompleks. Ia bukan had mutlak output yang berdiri sendiri. Nyatakan skema jawapan atau pembatas secara eksplisit dan periksa kod, pengiraan, petikan serta butiran visual berdasarkan sumber. Hasil berguna ialah artifak teks konkrit dengan identiti padat 27B tepat, input dan mod respons yang dikekalkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B ialah model penglihatan-bahasa padat 27 bilion parameter Qwen untuk teks, imej dan video, dengan output teks. Ia menyokong penaakulan, pengekodan, kerja yang dibantu alat dan tugas berbilang bahasa, dengan mod berfikir yang boleh dipilih serta 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 dalam edisi padat 27B
Qwen3.5-27B ialah model penglihatan-bahasa padat yang menjalani pascalatihan. Teks, imej dan video boleh digunakan bersama dalam satu tugas, manakala hasilnya ialah teks: penjelasan, cadangan kod, maklumat yang diekstrak atau artifak lain yang diminta. Gabungan awal latihan teks serta visual keluarga ini membangunkan kebolehan penaakulan, pengekodan, ejen dan visual, dengan pembelajaran pengukuhan merentas tugas yang semakin kompleks serta sokongan untuk 201 bahasa dan dialek.
Liputan bahasa itu membantu merangka tugas berbilang bahasa tetapi tidak menjamin kebolehpercayaan yang sama bagi setiap dialek atau kosa kata khusus. Berikan bahasa sasaran, khalayak dan istilah yang perlu kekal tidak berubah. Untuk perbandingan dokumen merentas bahasa, labelkan setiap sumber dan minta hasil yang disusun mengikut fakta atau soalan yang perlu dibandingkan.
Gambaran keseluruhan model
Edisi tepat 27B ini padat, dengan 64 lapisan model bahasa dan pengekod penglihatan. Susun atur hibridnya menyelang-selikan kumpulan tiga lapisan Gated DeltaNet dan satu lapisan perhatian dengan mekanisme gerbang, menggunakan rangkaian suap hadapan padat. Ramalan berbilang token disertakan dalam latihan. Seni bina campuran pakar dengan pengaktifan terpilih yang diterangkan bagi saiz Qwen3.5 lain tidak patut diberikan kepada model ini; identiti 27 bilion parameternya ialah spesifikasi checkpoint tersendiri.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat kepada 1,010,000. Qwen mengesyorkan pengekalan konteks sekurang-kurangnya 128K jika boleh untuk tugas pemikiran kompleks, sambil membenarkan tetapan lebih kecil apabila kekangan memori memerlukannya. Ini ialah panduan konfigurasi, bukannya bukti bahawa setiap antara muka menyediakan konteks penuh. Teks sumber, token visual, sejarah, penaakulan dan jawapan berkongsi peruntukan urutan.
Penyediaan teks dan visual
Untuk dokumen teknikal, simpan pengecam bahagian dan minta jadual keperluan atau penjelasan yang disokong oleh bahagian tersebut. Untuk rajah, kekalkan label dan berikan definisi yang tidak kelihatan dalam imej. Untuk tugas kod, bekalkan fungsi berkaitan, tingkah laku yang diperhatikan dan hasil yang diperlukan. Respons berguna perlu mengenal pasti bukti yang digunakan, mengasingkan andaian dan mengembalikan artifak akhir dalam bentuk yang boleh disemak.
Untuk soalan video, kenal pasti peristiwa atau urutan yang penting dan kekalkan masa serta susunan bingkai. Contoh pembuat menggunakan dua bingkai sesaat dalam aliran kerja yang disokong. Panduan video panjangnya mengesyorkan bajet pemproses lebih besar, bersamaan kira-kira 224K token video, untuk analisis berskala jam pada kadar lebih tinggi. Tetapan itu memerlukan konfigurasi dan tidak menetapkan jaminan tempoh sejagat atau cap masa peristiwa yang tepat.
Pemikiran dan respons terus
Pemikiran didayakan secara lalai dan mendahului respons akhir. enable_thinking boleh menyahdayakannya untuk jawapan terus. Qwen3.5 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink. Pembuat mengesyorkan pengekalan hanya teks jawapan akhir dalam mesej pembantu terdahulu, bukannya kandungan pemikiran. Ini ialah kontrak Qwen3.5 dan perlu kekal berasingan daripada tingkah laku pengekalan penaakulan terdahulu yang didokumenkan bagi keluaran kemudian.
Pilih bentuk akhir sebelum menghantar tugas: kesimpulan pendek dengan nilai sokongan, jadual medan yang diekstrak atau tampalan kod berpenjelasan. Respons terus masih merupakan jawapan yang dijana yang perlu disemak; transkrip pemikiran panjang bukan bukti bebas bahawa kesimpulannya betul.
Penggunaan ejen
Pembuat menyokong panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, serta Qwen Code untuk aliran kerja ejen pengekodan. Berikan peranan jelas kepada alat aplikasi dan kembalikan pemerhatian sebenar kepada model. Model boleh merancang serta menyemak menggunakan maklum balas itu, manakala aplikasi melaksanakan tindakan. Sokongan alat itu sendiri tidak menetapkan akses terbina dalam kepada internet, fail atau persekitaran pelaksanaan kod melalui setiap antara muka.
Teks amat panjang
Peluasan menggunakan YaRN dengan konfigurasi kedudukan checkpoint ini sendiri. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor dua dicadangkan untuk 524,288 token. Penskalaan statik boleh menurunkan kualiti teks lebih pendek, maka pembuat mengesyorkannya apabila konteks lebih besar benar-benar diperlukan. Susun bahan panjang dan sediakan ruang jawapan yang diperlukan, bukannya mentafsir angka konteks terbesar sebagai ingatan semula dokumen tanpa had.
Panduan penjanaan dan had
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 menggunakan pratetap Best Practices berasingan, iaitu temperature 1.0, top_p 1.0, top_k 40 dan penalti kehadiran 2.0. Penalti kehadiran lebih besar boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Bajet penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan tugas dan 81,920 untuk matematik atau pengaturcaraan yang luar biasa kompleks. Ia bukan had mutlak output yang berdiri sendiri. Nyatakan skema jawapan atau pembatas secara eksplisit dan periksa kod, pengiraan, petikan serta butiran visual berdasarkan sumber. Hasil berguna ialah artifak teks konkrit dengan identiti padat 27B tepat, input dan mod respons yang dikekalkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.5-27b | 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 $0.00052 / 1K token Output · Token output $0.00412 / 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 $0.00052 / 1K token Output · Token output $0.00412 / 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/qwen3.5-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.5-27b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.5-27bQwen3.5-27B ialah model penglihatan-bahasa padat 27 bilion parameter Qwen untuk teks, imej dan video, dengan output teks. Ia menyokong penaakulan, pengekodan, kerja yang dibantu alat dan tugas berbilang bahasa, dengan mod berfikir yang boleh dipilih serta 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 dalam edisi padat 27B
Qwen3.5-27B ialah model penglihatan-bahasa padat yang menjalani pascalatihan. Teks, imej dan video boleh digunakan bersama dalam satu tugas, manakala hasilnya ialah teks: penjelasan, cadangan kod, maklumat yang diekstrak atau artifak lain yang diminta. Gabungan awal latihan teks serta visual keluarga ini membangunkan kebolehan penaakulan, pengekodan, ejen dan visual, dengan pembelajaran pengukuhan merentas tugas yang semakin kompleks serta sokongan untuk 201 bahasa dan dialek.
Liputan bahasa itu membantu merangka tugas berbilang bahasa tetapi tidak menjamin kebolehpercayaan yang sama bagi setiap dialek atau kosa kata khusus. Berikan bahasa sasaran, khalayak dan istilah yang perlu kekal tidak berubah. Untuk perbandingan dokumen merentas bahasa, labelkan setiap sumber dan minta hasil yang disusun mengikut fakta atau soalan yang perlu dibandingkan.
Gambaran keseluruhan model
Edisi tepat 27B ini padat, dengan 64 lapisan model bahasa dan pengekod penglihatan. Susun atur hibridnya menyelang-selikan kumpulan tiga lapisan Gated DeltaNet dan satu lapisan perhatian dengan mekanisme gerbang, menggunakan rangkaian suap hadapan padat. Ramalan berbilang token disertakan dalam latihan. Seni bina campuran pakar dengan pengaktifan terpilih yang diterangkan bagi saiz Qwen3.5 lain tidak patut diberikan kepada model ini; identiti 27 bilion parameternya ialah spesifikasi checkpoint tersendiri.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat kepada 1,010,000. Qwen mengesyorkan pengekalan konteks sekurang-kurangnya 128K jika boleh untuk tugas pemikiran kompleks, sambil membenarkan tetapan lebih kecil apabila kekangan memori memerlukannya. Ini ialah panduan konfigurasi, bukannya bukti bahawa setiap antara muka menyediakan konteks penuh. Teks sumber, token visual, sejarah, penaakulan dan jawapan berkongsi peruntukan urutan.
Penyediaan teks dan visual
Untuk dokumen teknikal, simpan pengecam bahagian dan minta jadual keperluan atau penjelasan yang disokong oleh bahagian tersebut. Untuk rajah, kekalkan label dan berikan definisi yang tidak kelihatan dalam imej. Untuk tugas kod, bekalkan fungsi berkaitan, tingkah laku yang diperhatikan dan hasil yang diperlukan. Respons berguna perlu mengenal pasti bukti yang digunakan, mengasingkan andaian dan mengembalikan artifak akhir dalam bentuk yang boleh disemak.
Untuk soalan video, kenal pasti peristiwa atau urutan yang penting dan kekalkan masa serta susunan bingkai. Contoh pembuat menggunakan dua bingkai sesaat dalam aliran kerja yang disokong. Panduan video panjangnya mengesyorkan bajet pemproses lebih besar, bersamaan kira-kira 224K token video, untuk analisis berskala jam pada kadar lebih tinggi. Tetapan itu memerlukan konfigurasi dan tidak menetapkan jaminan tempoh sejagat atau cap masa peristiwa yang tepat.
Pemikiran dan respons terus
Pemikiran didayakan secara lalai dan mendahului respons akhir. enable_thinking boleh menyahdayakannya untuk jawapan terus. Qwen3.5 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink. Pembuat mengesyorkan pengekalan hanya teks jawapan akhir dalam mesej pembantu terdahulu, bukannya kandungan pemikiran. Ini ialah kontrak Qwen3.5 dan perlu kekal berasingan daripada tingkah laku pengekalan penaakulan terdahulu yang didokumenkan bagi keluaran kemudian.
Pilih bentuk akhir sebelum menghantar tugas: kesimpulan pendek dengan nilai sokongan, jadual medan yang diekstrak atau tampalan kod berpenjelasan. Respons terus masih merupakan jawapan yang dijana yang perlu disemak; transkrip pemikiran panjang bukan bukti bebas bahawa kesimpulannya betul.
Penggunaan ejen
Pembuat menyokong panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, serta Qwen Code untuk aliran kerja ejen pengekodan. Berikan peranan jelas kepada alat aplikasi dan kembalikan pemerhatian sebenar kepada model. Model boleh merancang serta menyemak menggunakan maklum balas itu, manakala aplikasi melaksanakan tindakan. Sokongan alat itu sendiri tidak menetapkan akses terbina dalam kepada internet, fail atau persekitaran pelaksanaan kod melalui setiap antara muka.
Teks amat panjang
Peluasan menggunakan YaRN dengan konfigurasi kedudukan checkpoint ini sendiri. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor dua dicadangkan untuk 524,288 token. Penskalaan statik boleh menurunkan kualiti teks lebih pendek, maka pembuat mengesyorkannya apabila konteks lebih besar benar-benar diperlukan. Susun bahan panjang dan sediakan ruang jawapan yang diperlukan, bukannya mentafsir angka konteks terbesar sebagai ingatan semula dokumen tanpa had.
Panduan penjanaan dan had
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 menggunakan pratetap Best Practices berasingan, iaitu temperature 1.0, top_p 1.0, top_k 40 dan penalti kehadiran 2.0. Penalti kehadiran lebih besar boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Bajet penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan tugas dan 81,920 untuk matematik atau pengaturcaraan yang luar biasa kompleks. Ia bukan had mutlak output yang berdiri sendiri. Nyatakan skema jawapan atau pembatas secara eksplisit dan periksa kod, pengiraan, petikan serta butiran visual berdasarkan sumber. Hasil berguna ialah artifak teks konkrit dengan identiti padat 27B tepat, input dan mod respons yang dikekalkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.5-27b | 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 $0.00052 / 1K token Output · Token output $0.00412 / 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 $0.00052 / 1K token Output · Token output $0.00412 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.5-27b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.