Keluaran Flash 23 Februari
Qwen3.5 Flash ialah keluarga model penglihatan-bahasa natif. Keluaran pembuat menamakan snapshot 23 Februari 2026 dan menerangkan seni bina hibrid yang menggabungkan perhatian linear dengan pengiraan campuran pakar dengan pengaktifan terpilih. Inputnya ialah teks, imej dan video, manakala hasilnya ialah teks. Keluaran menumpukan keseimbangan inferens dan keupayaan tugas merentas kerja teks serta multimodal; ia tidak menetapkan kependaman tetap bagi aplikasi tertentu.
Kad model terbuka Qwen menerangkan Qwen3.5-Flash terurus sebagai sepadan dengan Qwen3.5-35B-A3B, dengan ciri tambahan seperti konteks lalai satu juta token dan alat terbina dalam. Itu ialah hubungan antara tawaran yang diterangkan pengeluar, bukannya sebab untuk menyatukan nama tepat, konfigurasi atau ciri antara mukanya. Snapshot 23 Februari kekal berbeza daripada nama Flash yang berubah dan daripada generasi Qwen kemudian.
Tugas teks, visual dan pengekodan
Keluarga Qwen3.5 dilatih dengan gabungan awal teks–penglihatan, menyokong penaakulan, pengekodan, ejen dan pemahaman visual. Untuk tugas pengekodan yang dipandu tangkap layar, berikan rujukan visual, kod berkaitan dan tingkah laku yang diperlukan, kemudian minta artifak yang boleh disunting dengan penjelasan syarat yang terjejas. Untuk dokumen atau carta, kekalkan label serta unit dan minta medan atau kesimpulan khusus yang diperlukan.
Jawapan visual yang berguna boleh membezakan fakta yang kelihatan daripada hubungan yang disimpulkan dan mengenal pasti kawasan sumber atau petikan yang menyokong setiap kesimpulan. Untuk video, kekalkan urutan serta masa dan nyatakan peristiwa yang diminati. Untuk analisis dokumen dan video, bandingkan medan serta dakwaan yang dikembalikan dengan label, petikan dan cap masa asal. Model menghasilkan analisis teks atau kod; input visual tidak bermaksud imej atau video dijana.
Pemikiran dan respons terus
Panduan mod pembuat mengenal pasti Qwen3.5 Flash sebagai pemikiran hibrid, dengan pemikiran didayakan secara lalai. Aliran kerja hibrid yang didokumenkan boleh menyahdayakan pemikiran untuk jawapan terus. Asingkan artifak akhir daripada penaakulan apabila antara muka yang dipilih menyediakan kedua-duanya. Respons ringkas boleh sesuai untuk pengekstrakan atau penulisan semula mudah, manakala soalan yang menghubungkan beberapa syarat mendapat manfaat daripada penjelasan yang kekal boleh dijejaki kepada sumber.
Gunakan kawalan edisi Flash yang didokumenkan, bukannya mengimport pratetap pensampelan, pilihan penaakulan terdahulu atau penanda prompt daripada checkpoint Qwen lain. Kad terbuka Qwen3.5-35B-A3B mempunyai resipi sejarah dan penjanaannya sendiri; tetapannya bukan secara automatik kontrak antara muka Flash yang dihoskan yang tepat.
Alat dan aliran kerja aplikasi
Pengeluar menerangkan alat tambahan dalam tawaran Flash terurus. Aliran kerja yang disambungkan boleh menyediakan pengambilan maklumat, pemeriksaan atau pelaksanaan yang dibenarkan dan mengembalikan pemerhatian kepada model. Tentukan alat yang tersedia, tindakan yang dibenarkan dan syarat penyiapan yang boleh diperhatikan. Minta laporan akhir membezakan kerja yang dicadangkan daripada hasil yang dikembalikan alat sebenar.
Keupayaan model berorientasikan alat tidak menetapkan akses terbina dalam kepada sumber semasa, fail atau persekitaran kod melalui setiap antara muka. Permintaan jadual atau teks berbentuk JSON juga tidak mewujudkan skema output yang dikuatkuasakan dengan sendirinya. Jadikan artifak mudah diperiksa: fail kod, jadual bukti atau kesimpulan pendek yang dipautkan kepada bahan yang dibekalkan.
Konteks dan had khusus edisi
Qwen menerangkan konteks lalai satu juta token bagi versi Flash terurusnya. Checkpoint terbuka yang sepadan mempunyai konteks natif berbeza dan prosedur peluasan eksplisit, maka huraian berangka itu perlu kekal dalam skop tawaran masing-masing. Teks, perwakilan media, sejarah perbualan, penaakulan dan jawapan perlu muat dalam bajet urutan yang dikonfigurasi yang terpakai.
Pilih teks, imej atau segmen video berkaitan, kekalkan pengecam dokumen dan kod, serta sediakan ruang dalam urutan kerja untuk hasil.
Penyediaan dan semakan praktikal
Untuk tugas pengekodan secara iteratif, bekalkan maklum balas ralat atau semakan sebenar bersama soalan seterusnya supaya model boleh mengemas kini perubahan yang dicadangkan. Untuk analisis dokumen, minta petikan sokongan dan kenal pasti bukti yang tiada secara eksplisit. Periksa teks yang diekstrak, pengiraan dan kod yang dijana berdasarkan sumber. Gunakan keluaran tetap ini untuk analisis teks, imej atau video yang mengembalikan hasil teks konkrit.
", "aboutText": "Keluaran Flash 23 Februari\n\nQwen3.5 Flash ialah keluarga model penglihatan-bahasa natif. Keluaran pembuat menamakan snapshot 23 Februari 2026 dan menerangkan seni bina hibrid yang menggabungkan perhatian linear dengan pengiraan campuran pakar dengan pengaktifan terpilih. Inputnya ialah teks, imej dan video, manakala hasilnya ialah teks. Keluaran menumpukan keseimbangan inferens dan keupayaan tugas merentas kerja teks serta multimodal; ia tidak menetapkan kependaman tetap bagi aplikasi tertentu.\n\nKad model terbuka Qwen menerangkan Qwen3.5-Flash terurus sebagai sepadan dengan Qwen3.5-35B-A3B, dengan ciri tambahan seperti konteks lalai satu juta token dan alat terbina dalam. Itu ialah hubungan antara tawaran yang diterangkan pengeluar, bukannya sebab untuk menyatukan nama tepat, konfigurasi atau ciri antara mukanya. Snapshot 23 Februari kekal berbeza daripada nama Flash yang berubah dan daripada generasi Qwen kemudian.\n\nTugas teks, visual dan pengekodan\n\nKeluarga Qwen3.5 dilatih dengan gabungan awal teks–penglihatan, menyokong penaakulan, pengekodan, ejen dan pemahaman visual. Untuk tugas pengekodan yang dipandu tangkap layar, berikan rujukan visual, kod berkaitan dan tingkah laku yang diperlukan, kemudian minta artifak yang boleh disunting dengan penjelasan syarat yang terjejas. Untuk dokumen atau carta, kekalkan label serta unit dan minta medan atau kesimpulan khusus yang diperlukan.\n\nJawapan visual yang berguna boleh membezakan fakta yang kelihatan daripada hubungan yang disimpulkan dan mengenal pasti kawasan sumber atau petikan yang menyokong setiap kesimpulan. Untuk video, kekalkan urutan serta masa dan nyatakan peristiwa yang diminati. Untuk analisis dokumen dan video, bandingkan medan serta dakwaan yang dikembalikan dengan label, petikan dan cap masa asal. Model menghasilkan analisis teks atau kod; input visual tidak bermaksud imej atau video dijana.\n\nPemikiran dan respons terus\n\nPanduan mod pembuat mengenal pasti Qwen3.5 Flash sebagai pemikiran hibrid, dengan pemikiran didayakan secara lalai. Aliran kerja hibrid yang didokumenkan boleh menyahdayakan pemikiran untuk jawapan terus. Asingkan artifak akhir daripada penaakulan apabila antara muka yang dipilih menyediakan kedua-duanya. Respons ringkas boleh sesuai untuk pengekstrakan atau penulisan semula mudah, manakala soalan yang menghubungkan beberapa syarat mendapat manfaat daripada penjelasan yang kekal boleh dijejaki kepada sumber.\n\nGunakan kawalan edisi Flash yang didokumenkan, bukannya mengimport pratetap pensampelan, pilihan penaakulan terdahulu atau penanda prompt daripada checkpoint Qwen lain. Kad terbuka Qwen3.5-35B-A3B mempunyai resipi sejarah dan penjanaannya sendiri; tetapannya bukan secara automatik kontrak antara muka Flash yang dihoskan yang tepat.\n\nAlat dan aliran kerja aplikasi\n\nPengeluar menerangkan alat tambahan dalam tawaran Flash terurus. Aliran kerja yang disambungkan boleh menyediakan pengambilan maklumat, pemeriksaan atau pelaksanaan yang dibenarkan dan mengembalikan pemerhatian kepada model. Tentukan alat yang tersedia, tindakan yang dibenarkan dan syarat penyiapan yang boleh diperhatikan. Minta laporan akhir membezakan kerja yang dicadangkan daripada hasil yang dikembalikan alat sebenar.\n\nKeupayaan model berorientasikan alat tidak menetapkan akses terbina dalam kepada sumber semasa, fail atau persekitaran kod melalui setiap antara muka. Permintaan jadual atau teks berbentuk JSON juga tidak mewujudkan skema output yang dikuatkuasakan dengan sendirinya. Jadikan artifak mudah diperiksa: fail kod, jadual bukti atau kesimpulan pendek yang dipautkan kepada bahan yang dibekalkan.\n\nKonteks dan had khusus edisi\n\nQwen menerangkan konteks lalai satu juta token bagi versi Flash terurusnya. Checkpoint terbuka yang sepadan mempunyai konteks natif berbeza dan prosedur peluasan eksplisit, maka huraian berangka itu perlu kekal dalam skop tawaran masing-masing. Teks, perwakilan media, sejarah perbualan, penaakulan dan jawapan perlu muat dalam bajet urutan yang dikonfigurasi yang terpakai.\n\nPilih teks, imej atau segmen video berkaitan, kekalkan pengecam dokumen dan kod, serta sediakan ruang dalam urutan kerja untuk hasil.\n\nPenyediaan dan semakan praktikal\n\nUntuk tugas pengekodan secara iteratif, bekalkan maklum balas ralat atau semakan sebenar bersama soalan seterusnya supaya model boleh mengemas kini perubahan yang dicadangkan. Untuk analisis dokumen, minta petikan sokongan dan kenal pasti bukti yang tiada secara eksplisit. Periksa teks yang diekstrak, pengiraan dan kod yang dijana berdasarkan sumber. Gunakan keluaran tetap ini untuk analisis teks, imej atau video yang mengembalikan hasil teks konkrit.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Refine a patch using test feedback\n\nA first patch changes deduplicate(values) to list(set(values)). The returned test observation is: input [3,1,3,2] expected [3,1,2], but order was not preserved. Propose a replacement that retains first occurrences and works on integers. Include a regression assertion and explain the one behavior the failed patch overlooked. Do not claim to run the test.A revised Python function, a regression assertion and a short explanation tied to the supplied test observation.The duplicate 3 is removed while the order 3,1,2 survives; test execution remains a proposed check.qwen/qwen3.5-flash-02-23Keluaran Qwen3.5 Flash 23 Februari ialah model penglihatan-bahasa untuk teks, imej dan video yang mengembalikan teks. Ia menggabungkan perhatian hibrid dan pakar dengan pengaktifan terpilih dengan aliran kerja berfikir/jawapan terus keluarga Flash, untuk pengekodan, analisis visual dan tugas yang dibantu alat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Keluaran Flash 23 Februari
Qwen3.5 Flash ialah keluarga model penglihatan-bahasa natif. Keluaran pembuat menamakan snapshot 23 Februari 2026 dan menerangkan seni bina hibrid yang menggabungkan perhatian linear dengan pengiraan campuran pakar dengan pengaktifan terpilih. Inputnya ialah teks, imej dan video, manakala hasilnya ialah teks. Keluaran menumpukan keseimbangan inferens dan keupayaan tugas merentas kerja teks serta multimodal; ia tidak menetapkan kependaman tetap bagi aplikasi tertentu.
Kad model terbuka Qwen menerangkan Qwen3.5-Flash terurus sebagai sepadan dengan Qwen3.5-35B-A3B, dengan ciri tambahan seperti konteks lalai satu juta token dan alat terbina dalam. Itu ialah hubungan antara tawaran yang diterangkan pengeluar, bukannya sebab untuk menyatukan nama tepat, konfigurasi atau ciri antara mukanya. Snapshot 23 Februari kekal berbeza daripada nama Flash yang berubah dan daripada generasi Qwen kemudian.
Tugas teks, visual dan pengekodan
Keluarga Qwen3.5 dilatih dengan gabungan awal teks–penglihatan, menyokong penaakulan, pengekodan, ejen dan pemahaman visual. Untuk tugas pengekodan yang dipandu tangkap layar, berikan rujukan visual, kod berkaitan dan tingkah laku yang diperlukan, kemudian minta artifak yang boleh disunting dengan penjelasan syarat yang terjejas. Untuk dokumen atau carta, kekalkan label serta unit dan minta medan atau kesimpulan khusus yang diperlukan.
Jawapan visual yang berguna boleh membezakan fakta yang kelihatan daripada hubungan yang disimpulkan dan mengenal pasti kawasan sumber atau petikan yang menyokong setiap kesimpulan. Untuk video, kekalkan urutan serta masa dan nyatakan peristiwa yang diminati. Untuk analisis dokumen dan video, bandingkan medan serta dakwaan yang dikembalikan dengan label, petikan dan cap masa asal. Model menghasilkan analisis teks atau kod; input visual tidak bermaksud imej atau video dijana.
Pemikiran dan respons terus
Panduan mod pembuat mengenal pasti Qwen3.5 Flash sebagai pemikiran hibrid, dengan pemikiran didayakan secara lalai. Aliran kerja hibrid yang didokumenkan boleh menyahdayakan pemikiran untuk jawapan terus. Asingkan artifak akhir daripada penaakulan apabila antara muka yang dipilih menyediakan kedua-duanya. Respons ringkas boleh sesuai untuk pengekstrakan atau penulisan semula mudah, manakala soalan yang menghubungkan beberapa syarat mendapat manfaat daripada penjelasan yang kekal boleh dijejaki kepada sumber.
Gunakan kawalan edisi Flash yang didokumenkan, bukannya mengimport pratetap pensampelan, pilihan penaakulan terdahulu atau penanda prompt daripada checkpoint Qwen lain. Kad terbuka Qwen3.5-35B-A3B mempunyai resipi sejarah dan penjanaannya sendiri; tetapannya bukan secara automatik kontrak antara muka Flash yang dihoskan yang tepat.
Alat dan aliran kerja aplikasi
Pengeluar menerangkan alat tambahan dalam tawaran Flash terurus. Aliran kerja yang disambungkan boleh menyediakan pengambilan maklumat, pemeriksaan atau pelaksanaan yang dibenarkan dan mengembalikan pemerhatian kepada model. Tentukan alat yang tersedia, tindakan yang dibenarkan dan syarat penyiapan yang boleh diperhatikan. Minta laporan akhir membezakan kerja yang dicadangkan daripada hasil yang dikembalikan alat sebenar.
Keupayaan model berorientasikan alat tidak menetapkan akses terbina dalam kepada sumber semasa, fail atau persekitaran kod melalui setiap antara muka. Permintaan jadual atau teks berbentuk JSON juga tidak mewujudkan skema output yang dikuatkuasakan dengan sendirinya. Jadikan artifak mudah diperiksa: fail kod, jadual bukti atau kesimpulan pendek yang dipautkan kepada bahan yang dibekalkan.
Konteks dan had khusus edisi
Qwen menerangkan konteks lalai satu juta token bagi versi Flash terurusnya. Checkpoint terbuka yang sepadan mempunyai konteks natif berbeza dan prosedur peluasan eksplisit, maka huraian berangka itu perlu kekal dalam skop tawaran masing-masing. Teks, perwakilan media, sejarah perbualan, penaakulan dan jawapan perlu muat dalam bajet urutan yang dikonfigurasi yang terpakai.
Pilih teks, imej atau segmen video berkaitan, kekalkan pengecam dokumen dan kod, serta sediakan ruang dalam urutan kerja untuk hasil.
Penyediaan dan semakan praktikal
Untuk tugas pengekodan secara iteratif, bekalkan maklum balas ralat atau semakan sebenar bersama soalan seterusnya supaya model boleh mengemas kini perubahan yang dicadangkan. Untuk analisis dokumen, minta petikan sokongan dan kenal pasti bukti yang tiada secara eksplisit. Periksa teks yang diekstrak, pengiraan dan kod yang dijana berdasarkan sumber. Gunakan keluaran tetap ini untuk analisis teks, imej atau video yang mengembalikan hasil teks konkrit.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.5-flash-02-23 | 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 $0.00013 / 1K token Output · Token output $0.00052 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 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 $0.00013 / 1K token Output · Token output $0.00052 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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-flash-02-23", "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-flash-02-23',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-flash-02-23',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-flash-02-23
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.5-flash-02-23Keluaran Qwen3.5 Flash 23 Februari ialah model penglihatan-bahasa untuk teks, imej dan video yang mengembalikan teks. Ia menggabungkan perhatian hibrid dan pakar dengan pengaktifan terpilih dengan aliran kerja berfikir/jawapan terus keluarga Flash, untuk pengekodan, analisis visual dan tugas yang dibantu alat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Keluaran Flash 23 Februari
Qwen3.5 Flash ialah keluarga model penglihatan-bahasa natif. Keluaran pembuat menamakan snapshot 23 Februari 2026 dan menerangkan seni bina hibrid yang menggabungkan perhatian linear dengan pengiraan campuran pakar dengan pengaktifan terpilih. Inputnya ialah teks, imej dan video, manakala hasilnya ialah teks. Keluaran menumpukan keseimbangan inferens dan keupayaan tugas merentas kerja teks serta multimodal; ia tidak menetapkan kependaman tetap bagi aplikasi tertentu.
Kad model terbuka Qwen menerangkan Qwen3.5-Flash terurus sebagai sepadan dengan Qwen3.5-35B-A3B, dengan ciri tambahan seperti konteks lalai satu juta token dan alat terbina dalam. Itu ialah hubungan antara tawaran yang diterangkan pengeluar, bukannya sebab untuk menyatukan nama tepat, konfigurasi atau ciri antara mukanya. Snapshot 23 Februari kekal berbeza daripada nama Flash yang berubah dan daripada generasi Qwen kemudian.
Tugas teks, visual dan pengekodan
Keluarga Qwen3.5 dilatih dengan gabungan awal teks–penglihatan, menyokong penaakulan, pengekodan, ejen dan pemahaman visual. Untuk tugas pengekodan yang dipandu tangkap layar, berikan rujukan visual, kod berkaitan dan tingkah laku yang diperlukan, kemudian minta artifak yang boleh disunting dengan penjelasan syarat yang terjejas. Untuk dokumen atau carta, kekalkan label serta unit dan minta medan atau kesimpulan khusus yang diperlukan.
Jawapan visual yang berguna boleh membezakan fakta yang kelihatan daripada hubungan yang disimpulkan dan mengenal pasti kawasan sumber atau petikan yang menyokong setiap kesimpulan. Untuk video, kekalkan urutan serta masa dan nyatakan peristiwa yang diminati. Untuk analisis dokumen dan video, bandingkan medan serta dakwaan yang dikembalikan dengan label, petikan dan cap masa asal. Model menghasilkan analisis teks atau kod; input visual tidak bermaksud imej atau video dijana.
Pemikiran dan respons terus
Panduan mod pembuat mengenal pasti Qwen3.5 Flash sebagai pemikiran hibrid, dengan pemikiran didayakan secara lalai. Aliran kerja hibrid yang didokumenkan boleh menyahdayakan pemikiran untuk jawapan terus. Asingkan artifak akhir daripada penaakulan apabila antara muka yang dipilih menyediakan kedua-duanya. Respons ringkas boleh sesuai untuk pengekstrakan atau penulisan semula mudah, manakala soalan yang menghubungkan beberapa syarat mendapat manfaat daripada penjelasan yang kekal boleh dijejaki kepada sumber.
Gunakan kawalan edisi Flash yang didokumenkan, bukannya mengimport pratetap pensampelan, pilihan penaakulan terdahulu atau penanda prompt daripada checkpoint Qwen lain. Kad terbuka Qwen3.5-35B-A3B mempunyai resipi sejarah dan penjanaannya sendiri; tetapannya bukan secara automatik kontrak antara muka Flash yang dihoskan yang tepat.
Alat dan aliran kerja aplikasi
Pengeluar menerangkan alat tambahan dalam tawaran Flash terurus. Aliran kerja yang disambungkan boleh menyediakan pengambilan maklumat, pemeriksaan atau pelaksanaan yang dibenarkan dan mengembalikan pemerhatian kepada model. Tentukan alat yang tersedia, tindakan yang dibenarkan dan syarat penyiapan yang boleh diperhatikan. Minta laporan akhir membezakan kerja yang dicadangkan daripada hasil yang dikembalikan alat sebenar.
Keupayaan model berorientasikan alat tidak menetapkan akses terbina dalam kepada sumber semasa, fail atau persekitaran kod melalui setiap antara muka. Permintaan jadual atau teks berbentuk JSON juga tidak mewujudkan skema output yang dikuatkuasakan dengan sendirinya. Jadikan artifak mudah diperiksa: fail kod, jadual bukti atau kesimpulan pendek yang dipautkan kepada bahan yang dibekalkan.
Konteks dan had khusus edisi
Qwen menerangkan konteks lalai satu juta token bagi versi Flash terurusnya. Checkpoint terbuka yang sepadan mempunyai konteks natif berbeza dan prosedur peluasan eksplisit, maka huraian berangka itu perlu kekal dalam skop tawaran masing-masing. Teks, perwakilan media, sejarah perbualan, penaakulan dan jawapan perlu muat dalam bajet urutan yang dikonfigurasi yang terpakai.
Pilih teks, imej atau segmen video berkaitan, kekalkan pengecam dokumen dan kod, serta sediakan ruang dalam urutan kerja untuk hasil.
Penyediaan dan semakan praktikal
Untuk tugas pengekodan secara iteratif, bekalkan maklum balas ralat atau semakan sebenar bersama soalan seterusnya supaya model boleh mengemas kini perubahan yang dicadangkan. Untuk analisis dokumen, minta petikan sokongan dan kenal pasti bukti yang tiada secara eksplisit. Periksa teks yang diekstrak, pengiraan dan kod yang dijana berdasarkan sumber. Gunakan keluaran tetap ini untuk analisis teks, imej atau video yang mengembalikan hasil teks konkrit.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.5-flash-02-23 | 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 $0.00013 / 1K token Output · Token output $0.00052 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 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 $0.00013 / 1K token Output · Token output $0.00052 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.5-flash-02-23",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-flash-02-23', '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-flash-02-23', '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-flash-02-23
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Refine a patch using test feedback\n\nA first patch changes deduplicate(values) to list(set(values)). The returned test observation is: input [3,1,3,2] expected [3,1,2], but order was not preserved. Propose a replacement that retains first occurrences and works on integers. Include a regression assertion and explain the one behavior the failed patch overlooked. Do not claim to run the test.A revised Python function, a regression assertion and a short explanation tied to the supplied test observation.The duplicate 3 is removed while the order 3,1,2 survives; test execution remains a proposed check.