Sorotan Qwen3.5: checkpoint 397B-A17B
Qwen3.5-397B-A17B ialah model penglihatan-bahasa campuran pakar yang menjalani pascalatihan dalam keluarga Qwen3.5. Ia menerima teks, imej dan video serta menjana teks: penjelasan, cadangan kod, analisis dan artifak dokumen yang diminta. Keluarga ini menggunakan gabungan awal teks–penglihatan dan pembelajaran pengukuhan merentas tugas yang semakin kompleks untuk membangunkan penaakulan, pengekodan, ejen serta pemahaman visual. Liputan linguistiknya yang didokumenkan ialah 201 bahasa dan dialek, bukannya janji kebolehpercayaan yang sama bagi setiap bahasa atau bidang khusus.
Pembuat menerangkan Qwen3.5-Plus terurus secara berasingan sebagai tawaran sepadan dengan ciri produksi tambahan. Kekalkan identiti, konteks dan resipi penjanaan checkpoint terbuka ini sendiri, bukannya mengimport setiap ciri terurus atau kawalan Qwen kemudian. Edisi tepat 397B-A17B kekal berbeza daripada model padat dan model pakar yang lebih kecil dalam keluarga yang sama.
Gambaran keseluruhan model
Model ini mempunyai 397 bilion parameter keseluruhan dan mengaktifkan 17 bilion. Susun atur hibrid 60 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Pembuat menyenaraikan 512 pakar dalam sistem penghalaan, dengan sepuluh pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Pengekod penglihatan dan ramalan berbilang token ialah sebahagian daripada model. Parameter keseluruhan, parameter yang diaktifkan dan saiz storan checkpoint lengkap ialah konsep berbeza; bilangan ini tidak menetapkan masa respons tetap.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat sehingga 1,010,000. Teks, perwakilan imej atau video, sejarah perbualan, penaakulan dan jawapan akhir berkongsi peruntukan urutan yang dikonfigurasi. Gunakan bajet sebenar yang dikonfigurasi untuk tugas, bukannya menganggap dokumen terbesar dan jawapan terbesar muat bersama secara automatik.
Menyediakan bukti teks dan visual
Untuk projek teknikal, bekalkan spesifikasi, kod serta rajah berkaitan dan tentukan artifak yang perlu dihasilkan. Minta cadangan pelaksanaan yang disusun mengikut komponen yang terjejas dan disokong oleh keperluan yang dibekalkan. Untuk perbandingan dokumen, kekalkan pengecam bahagian, label jadual dan unit serta minta jadual dapatan dengan bukti bagi setiap baris. Untuk laporan berbilang bahasa, nyatakan bahasa sasaran dan istilah yang perlu kekal tidak berubah.
Untuk soalan imej, kekalkan label kecil dan berikan definisi yang tiada dalam gambar. Untuk soalan video, kenal pasti peristiwa berkaitan dan kekalkan susunan bingkai serta masa. Bandingkan butiran visual, petikan dan penerangan peristiwa yang dikembalikan dengan imej, petikan serta cap masa asal. Hasil kekal sebagai analisis teks atau kod; input visual model tidak bermaksud penjanaan imej, video atau pertuturan.
Pemikiran dan sejarah perbualan
Pemikiran didayakan secara lalai dan mendahului respons akhir. Tetapan enable_thinking pembuat boleh menyahdayakannya untuk jawapan terus. Arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink tidak disokong secara rasmi untuk Qwen3.5. Pastikan artifak akhir mudah ditemui selepas penaakulan, seperti kesimpulan berpembatas, jadual bukti atau cadangan kod berasingan.
Kad mengesyorkan pengekalan jawapan akhir tanpa kandungan pemikiran dalam mesej pembantu terdahulu. Itu berbeza daripada pilihan dan lalai pengekalan penaakulan terdahulu yang diperkenalkan dalam keluaran kemudian. Ikuti templat checkpoint tepat ini dan pastikan pembetulan atau pemerhatian alat dikaitkan dengan tugas yang dikemas kini olehnya.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, serta Qwen Code untuk aliran kerja ejen pengekodan. Nyatakan operasi yang dibenarkan, bukti yang tersedia dan kriteria penyiapan yang boleh diperhatikan. Aplikasi melaksanakan alat dan membekalkan hasilnya; model boleh menggunakan pemerhatian tersebut untuk menyemak rancangan atau penjelasan. Arahan atau tampalan yang dicadangkan kekal berbeza daripada tindakan yang benar-benar selesai dalam persekitaran.
Teks dan video amat panjang
Peluasan pembuat menggunakan YaRN dengan tetapan kedudukan berselang checkpoint sendiri. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor 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. Susun input panjang mengikut dokumen, halaman atau pengecam kod dan tinggalkan ruang hasil.
Contoh video yang disokong menggunakan dua bingkai sesaat secara lalai. Untuk bahan berskala jam, pembuat mengesyorkan bajet pemproses lebih besar bersamaan 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
Bahagian Best Practices bagi checkpoint ini mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0 untuk mod berfikir, serta temperature 0.7, top_p 0.8, top_k 20 dan min_p 0 untuk respons terus. Cadangan tepat ini berbeza daripada sesetengah edisi Qwen3.5 lebih kecil. Jika disokong, penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin 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 ialah cadangan, bukannya had mutlak output yang berdiri sendiri. Nyatakan format jawapan yang diperlukan dan periksa pengiraan, butiran yang diekstrak serta kod yang dicadangkan berdasarkan sumber. Output berguna ialah artifak teks konkrit yang bukti serta andaiannya boleh disemak.
", "aboutText": "Sorotan Qwen3.5: checkpoint 397B-A17B\n\nQwen3.5-397B-A17B ialah model penglihatan-bahasa campuran pakar yang menjalani pascalatihan dalam keluarga Qwen3.5. Ia menerima teks, imej dan video serta menjana teks: penjelasan, cadangan kod, analisis dan artifak dokumen yang diminta. Keluarga ini menggunakan gabungan awal teks–penglihatan dan pembelajaran pengukuhan merentas tugas yang semakin kompleks untuk membangunkan penaakulan, pengekodan, ejen serta pemahaman visual. Liputan linguistiknya yang didokumenkan ialah 201 bahasa dan dialek, bukannya janji kebolehpercayaan yang sama bagi setiap bahasa atau bidang khusus.\n\nPembuat menerangkan Qwen3.5-Plus terurus secara berasingan sebagai tawaran sepadan dengan ciri produksi tambahan. Kekalkan identiti, konteks dan resipi penjanaan checkpoint terbuka ini sendiri, bukannya mengimport setiap ciri terurus atau kawalan Qwen kemudian. Edisi tepat 397B-A17B kekal berbeza daripada model padat dan model pakar yang lebih kecil dalam keluarga yang sama.\n\nGambaran keseluruhan model\n\nModel ini mempunyai 397 bilion parameter keseluruhan dan mengaktifkan 17 bilion. Susun atur hibrid 60 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Pembuat menyenaraikan 512 pakar dalam sistem penghalaan, dengan sepuluh pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Pengekod penglihatan dan ramalan berbilang token ialah sebahagian daripada model. Parameter keseluruhan, parameter yang diaktifkan dan saiz storan checkpoint lengkap ialah konsep berbeza; bilangan ini tidak menetapkan masa respons tetap.\n\nKonteks natif ialah 262,144 token, dengan peluasan bersyarat sehingga 1,010,000. Teks, perwakilan imej atau video, sejarah perbualan, penaakulan dan jawapan akhir berkongsi peruntukan urutan yang dikonfigurasi. Gunakan bajet sebenar yang dikonfigurasi untuk tugas, bukannya menganggap dokumen terbesar dan jawapan terbesar muat bersama secara automatik.\n\nMenyediakan bukti teks dan visual\n\nUntuk projek teknikal, bekalkan spesifikasi, kod serta rajah berkaitan dan tentukan artifak yang perlu dihasilkan. Minta cadangan pelaksanaan yang disusun mengikut komponen yang terjejas dan disokong oleh keperluan yang dibekalkan. Untuk perbandingan dokumen, kekalkan pengecam bahagian, label jadual dan unit serta minta jadual dapatan dengan bukti bagi setiap baris. Untuk laporan berbilang bahasa, nyatakan bahasa sasaran dan istilah yang perlu kekal tidak berubah.\n\nUntuk soalan imej, kekalkan label kecil dan berikan definisi yang tiada dalam gambar. Untuk soalan video, kenal pasti peristiwa berkaitan dan kekalkan susunan bingkai serta masa. Bandingkan butiran visual, petikan dan penerangan peristiwa yang dikembalikan dengan imej, petikan serta cap masa asal. Hasil kekal sebagai analisis teks atau kod; input visual model tidak bermaksud penjanaan imej, video atau pertuturan.\n\nPemikiran dan sejarah perbualan\n\nPemikiran didayakan secara lalai dan mendahului respons akhir. Tetapan enable_thinking pembuat boleh menyahdayakannya untuk jawapan terus. Arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink tidak disokong secara rasmi untuk Qwen3.5. Pastikan artifak akhir mudah ditemui selepas penaakulan, seperti kesimpulan berpembatas, jadual bukti atau cadangan kod berasingan.\n\nKad mengesyorkan pengekalan jawapan akhir tanpa kandungan pemikiran dalam mesej pembantu terdahulu. Itu berbeza daripada pilihan dan lalai pengekalan penaakulan terdahulu yang diperkenalkan dalam keluaran kemudian. Ikuti templat checkpoint tepat ini dan pastikan pembetulan atau pemerhatian alat dikaitkan dengan tugas yang dikemas kini olehnya.\n\nPenggunaan ejen\n\nQwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, serta Qwen Code untuk aliran kerja ejen pengekodan. Nyatakan operasi yang dibenarkan, bukti yang tersedia dan kriteria penyiapan yang boleh diperhatikan. Aplikasi melaksanakan alat dan membekalkan hasilnya; model boleh menggunakan pemerhatian tersebut untuk menyemak rancangan atau penjelasan. Arahan atau tampalan yang dicadangkan kekal berbeza daripada tindakan yang benar-benar selesai dalam persekitaran.\n\nTeks dan video amat panjang\n\nPeluasan pembuat menggunakan YaRN dengan tetapan kedudukan berselang checkpoint sendiri. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor 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. Susun input panjang mengikut dokumen, halaman atau pengecam kod dan tinggalkan ruang hasil.\n\nContoh video yang disokong menggunakan dua bingkai sesaat secara lalai. Untuk bahan berskala jam, pembuat mengesyorkan bajet pemproses lebih besar bersamaan 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\nBahagian Best Practices bagi checkpoint ini mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0 untuk mod berfikir, serta temperature 0.7, top_p 0.8, top_k 20 dan min_p 0 untuk respons terus. Cadangan tepat ini berbeza daripada sesetengah edisi Qwen3.5 lebih kecil. Jika disokong, penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin 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 ialah cadangan, bukannya had mutlak output yang berdiri sendiri. Nyatakan format jawapan yang diperlukan dan periksa pengiraan, butiran yang diekstrak serta kod yang dicadangkan berdasarkan sumber. Output berguna ialah artifak teks konkrit yang bukti serta andaiannya boleh disemak.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B ialah model penglihatan-bahasa campuran pakar Qwen dengan 397 bilion parameter keseluruhan dan 17 bilion diaktifkan. Ia menerima teks, imej dan video serta mengembalikan teks untuk tugas penaakulan, pengekodan dan ejen, 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: checkpoint 397B-A17B
Qwen3.5-397B-A17B ialah model penglihatan-bahasa campuran pakar yang menjalani pascalatihan dalam keluarga Qwen3.5. Ia menerima teks, imej dan video serta menjana teks: penjelasan, cadangan kod, analisis dan artifak dokumen yang diminta. Keluarga ini menggunakan gabungan awal teks–penglihatan dan pembelajaran pengukuhan merentas tugas yang semakin kompleks untuk membangunkan penaakulan, pengekodan, ejen serta pemahaman visual. Liputan linguistiknya yang didokumenkan ialah 201 bahasa dan dialek, bukannya janji kebolehpercayaan yang sama bagi setiap bahasa atau bidang khusus.
Pembuat menerangkan Qwen3.5-Plus terurus secara berasingan sebagai tawaran sepadan dengan ciri produksi tambahan. Kekalkan identiti, konteks dan resipi penjanaan checkpoint terbuka ini sendiri, bukannya mengimport setiap ciri terurus atau kawalan Qwen kemudian. Edisi tepat 397B-A17B kekal berbeza daripada model padat dan model pakar yang lebih kecil dalam keluarga yang sama.
Gambaran keseluruhan model
Model ini mempunyai 397 bilion parameter keseluruhan dan mengaktifkan 17 bilion. Susun atur hibrid 60 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Pembuat menyenaraikan 512 pakar dalam sistem penghalaan, dengan sepuluh pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Pengekod penglihatan dan ramalan berbilang token ialah sebahagian daripada model. Parameter keseluruhan, parameter yang diaktifkan dan saiz storan checkpoint lengkap ialah konsep berbeza; bilangan ini tidak menetapkan masa respons tetap.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat sehingga 1,010,000. Teks, perwakilan imej atau video, sejarah perbualan, penaakulan dan jawapan akhir berkongsi peruntukan urutan yang dikonfigurasi. Gunakan bajet sebenar yang dikonfigurasi untuk tugas, bukannya menganggap dokumen terbesar dan jawapan terbesar muat bersama secara automatik.
Menyediakan bukti teks dan visual
Untuk projek teknikal, bekalkan spesifikasi, kod serta rajah berkaitan dan tentukan artifak yang perlu dihasilkan. Minta cadangan pelaksanaan yang disusun mengikut komponen yang terjejas dan disokong oleh keperluan yang dibekalkan. Untuk perbandingan dokumen, kekalkan pengecam bahagian, label jadual dan unit serta minta jadual dapatan dengan bukti bagi setiap baris. Untuk laporan berbilang bahasa, nyatakan bahasa sasaran dan istilah yang perlu kekal tidak berubah.
Untuk soalan imej, kekalkan label kecil dan berikan definisi yang tiada dalam gambar. Untuk soalan video, kenal pasti peristiwa berkaitan dan kekalkan susunan bingkai serta masa. Bandingkan butiran visual, petikan dan penerangan peristiwa yang dikembalikan dengan imej, petikan serta cap masa asal. Hasil kekal sebagai analisis teks atau kod; input visual model tidak bermaksud penjanaan imej, video atau pertuturan.
Pemikiran dan sejarah perbualan
Pemikiran didayakan secara lalai dan mendahului respons akhir. Tetapan enable_thinking pembuat boleh menyahdayakannya untuk jawapan terus. Arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink tidak disokong secara rasmi untuk Qwen3.5. Pastikan artifak akhir mudah ditemui selepas penaakulan, seperti kesimpulan berpembatas, jadual bukti atau cadangan kod berasingan.
Kad mengesyorkan pengekalan jawapan akhir tanpa kandungan pemikiran dalam mesej pembantu terdahulu. Itu berbeza daripada pilihan dan lalai pengekalan penaakulan terdahulu yang diperkenalkan dalam keluaran kemudian. Ikuti templat checkpoint tepat ini dan pastikan pembetulan atau pemerhatian alat dikaitkan dengan tugas yang dikemas kini olehnya.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, serta Qwen Code untuk aliran kerja ejen pengekodan. Nyatakan operasi yang dibenarkan, bukti yang tersedia dan kriteria penyiapan yang boleh diperhatikan. Aplikasi melaksanakan alat dan membekalkan hasilnya; model boleh menggunakan pemerhatian tersebut untuk menyemak rancangan atau penjelasan. Arahan atau tampalan yang dicadangkan kekal berbeza daripada tindakan yang benar-benar selesai dalam persekitaran.
Teks dan video amat panjang
Peluasan pembuat menggunakan YaRN dengan tetapan kedudukan berselang checkpoint sendiri. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor 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. Susun input panjang mengikut dokumen, halaman atau pengecam kod dan tinggalkan ruang hasil.
Contoh video yang disokong menggunakan dua bingkai sesaat secara lalai. Untuk bahan berskala jam, pembuat mengesyorkan bajet pemproses lebih besar bersamaan 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
Bahagian Best Practices bagi checkpoint ini mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0 untuk mod berfikir, serta temperature 0.7, top_p 0.8, top_k 20 dan min_p 0 untuk respons terus. Cadangan tepat ini berbeza daripada sesetengah edisi Qwen3.5 lebih kecil. Jika disokong, penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin 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 ialah cadangan, bukannya had mutlak output yang berdiri sendiri. Nyatakan format jawapan yang diperlukan dan periksa pengiraan, butiran yang diekstrak serta kod yang dicadangkan berdasarkan sumber. Output berguna ialah artifak teks konkrit yang bukti serta andaiannya boleh disemak.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K token Output · Token output $0.00468 / 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 $0.00078 / 1K token Output · Token output $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B ialah model penglihatan-bahasa campuran pakar Qwen dengan 397 bilion parameter keseluruhan dan 17 bilion diaktifkan. Ia menerima teks, imej dan video serta mengembalikan teks untuk tugas penaakulan, pengekodan dan ejen, 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: checkpoint 397B-A17B
Qwen3.5-397B-A17B ialah model penglihatan-bahasa campuran pakar yang menjalani pascalatihan dalam keluarga Qwen3.5. Ia menerima teks, imej dan video serta menjana teks: penjelasan, cadangan kod, analisis dan artifak dokumen yang diminta. Keluarga ini menggunakan gabungan awal teks–penglihatan dan pembelajaran pengukuhan merentas tugas yang semakin kompleks untuk membangunkan penaakulan, pengekodan, ejen serta pemahaman visual. Liputan linguistiknya yang didokumenkan ialah 201 bahasa dan dialek, bukannya janji kebolehpercayaan yang sama bagi setiap bahasa atau bidang khusus.
Pembuat menerangkan Qwen3.5-Plus terurus secara berasingan sebagai tawaran sepadan dengan ciri produksi tambahan. Kekalkan identiti, konteks dan resipi penjanaan checkpoint terbuka ini sendiri, bukannya mengimport setiap ciri terurus atau kawalan Qwen kemudian. Edisi tepat 397B-A17B kekal berbeza daripada model padat dan model pakar yang lebih kecil dalam keluarga yang sama.
Gambaran keseluruhan model
Model ini mempunyai 397 bilion parameter keseluruhan dan mengaktifkan 17 bilion. Susun atur hibrid 60 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Pembuat menyenaraikan 512 pakar dalam sistem penghalaan, dengan sepuluh pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Pengekod penglihatan dan ramalan berbilang token ialah sebahagian daripada model. Parameter keseluruhan, parameter yang diaktifkan dan saiz storan checkpoint lengkap ialah konsep berbeza; bilangan ini tidak menetapkan masa respons tetap.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat sehingga 1,010,000. Teks, perwakilan imej atau video, sejarah perbualan, penaakulan dan jawapan akhir berkongsi peruntukan urutan yang dikonfigurasi. Gunakan bajet sebenar yang dikonfigurasi untuk tugas, bukannya menganggap dokumen terbesar dan jawapan terbesar muat bersama secara automatik.
Menyediakan bukti teks dan visual
Untuk projek teknikal, bekalkan spesifikasi, kod serta rajah berkaitan dan tentukan artifak yang perlu dihasilkan. Minta cadangan pelaksanaan yang disusun mengikut komponen yang terjejas dan disokong oleh keperluan yang dibekalkan. Untuk perbandingan dokumen, kekalkan pengecam bahagian, label jadual dan unit serta minta jadual dapatan dengan bukti bagi setiap baris. Untuk laporan berbilang bahasa, nyatakan bahasa sasaran dan istilah yang perlu kekal tidak berubah.
Untuk soalan imej, kekalkan label kecil dan berikan definisi yang tiada dalam gambar. Untuk soalan video, kenal pasti peristiwa berkaitan dan kekalkan susunan bingkai serta masa. Bandingkan butiran visual, petikan dan penerangan peristiwa yang dikembalikan dengan imej, petikan serta cap masa asal. Hasil kekal sebagai analisis teks atau kod; input visual model tidak bermaksud penjanaan imej, video atau pertuturan.
Pemikiran dan sejarah perbualan
Pemikiran didayakan secara lalai dan mendahului respons akhir. Tetapan enable_thinking pembuat boleh menyahdayakannya untuk jawapan terus. Arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink tidak disokong secara rasmi untuk Qwen3.5. Pastikan artifak akhir mudah ditemui selepas penaakulan, seperti kesimpulan berpembatas, jadual bukti atau cadangan kod berasingan.
Kad mengesyorkan pengekalan jawapan akhir tanpa kandungan pemikiran dalam mesej pembantu terdahulu. Itu berbeza daripada pilihan dan lalai pengekalan penaakulan terdahulu yang diperkenalkan dalam keluaran kemudian. Ikuti templat checkpoint tepat ini dan pastikan pembetulan atau pemerhatian alat dikaitkan dengan tugas yang dikemas kini olehnya.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, serta Qwen Code untuk aliran kerja ejen pengekodan. Nyatakan operasi yang dibenarkan, bukti yang tersedia dan kriteria penyiapan yang boleh diperhatikan. Aplikasi melaksanakan alat dan membekalkan hasilnya; model boleh menggunakan pemerhatian tersebut untuk menyemak rancangan atau penjelasan. Arahan atau tampalan yang dicadangkan kekal berbeza daripada tindakan yang benar-benar selesai dalam persekitaran.
Teks dan video amat panjang
Peluasan pembuat menggunakan YaRN dengan tetapan kedudukan berselang checkpoint sendiri. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor 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. Susun input panjang mengikut dokumen, halaman atau pengecam kod dan tinggalkan ruang hasil.
Contoh video yang disokong menggunakan dua bingkai sesaat secara lalai. Untuk bahan berskala jam, pembuat mengesyorkan bajet pemproses lebih besar bersamaan 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
Bahagian Best Practices bagi checkpoint ini mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0 untuk mod berfikir, serta temperature 0.7, top_p 0.8, top_k 20 dan min_p 0 untuk respons terus. Cadangan tepat ini berbeza daripada sesetengah edisi Qwen3.5 lebih kecil. Jika disokong, penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin 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 ialah cadangan, bukannya had mutlak output yang berdiri sendiri. Nyatakan format jawapan yang diperlukan dan periksa pengiraan, butiran yang diekstrak serta kod yang dicadangkan berdasarkan sumber. Output berguna ialah artifak teks konkrit yang bukti serta andaiannya boleh disemak.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K token Output · Token output $0.00468 / 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 $0.00078 / 1K token Output · Token output $0.00468 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.