Sorotan Qwen3.6 dalam model padat 27B
Qwen3.6-27B ialah model penglihatan-bahasa padat yang dibangunkan daripada Qwen3.5-27B. Pembuat menonjolkan ejen pengekodan dan penaakulan STEM yang lebih kukuh, dengan penambahbaikan pemahaman ruang, penyetempatan serta pengesanan objek, OCR dokumen, pemahaman video dan ejen visual. Ia menerima teks, imej dan video serta menjana teks. Edisi padat tepat ini berbeza daripada model campuran pakar Qwen3.6-35B-A3B, walaupun berkongsi generasi dan tumpuan tugas.
Untuk rajah STEM, berikan pernyataan lengkap dan kekalkan label serta unit. Minta model mengasingkan fakta yang kelihatan secara langsung daripada andaian, kemudian mengembalikan penjelasan dengan jawapan akhir yang jelas. Untuk dokumen, nyatakan medan atau dakwaan yang perlu diekstrak dan minta rujukan halaman sokongan. Untuk ejen pengekodan, berikan modul berkaitan, tingkah laku yang dikehendaki dan maklum balas sebenar daripada aliran kerja yang disambungkan. Contoh ini menggunakan keupayaan yang didokumenkan; ia bukan dakwaan pengekstrakan tepat atau pelaksanaan berjaya.
Gambaran keseluruhan model
Model ini mempunyai 27 bilion parameter dan 64 lapisan model bahasa. Susun atur hibridnya mengulangi tiga lapisan Gated DeltaNet diikuti satu lapisan perhatian dengan mekanisme gerbang, menggunakan rangkaian suap hadapan padat, bukannya pakar dengan pengaktifan terpilih. Pengekod penglihatan menyediakan pemahaman imej serta video, dan ramalan berbilang token ialah sebahagian daripada latihan. Fakta seni bina ini mengenal pasti checkpoint tanpa menentukan kedudukan kualiti atau masa respons setiap aplikasi.
Konteks natif ialah 262,144 token dan boleh diperluas kepada 1,010,000 melalui konfigurasi. Qwen menyarankan pengekalan konteks sekurang-kurangnya 128K jika boleh bagi penaakulan kompleks, sambil mengakui tekanan memori mungkin memerlukan tetapan lebih kecil. Perwakilan imej dan video, teks, mesej terdahulu, pemikiran serta jawapan semuanya menggunakan ruang dalam urutan yang dikonfigurasi.
Input dan mod
Pembuat menunjukkan soalan teks, imej dan video. Pemikiran didayakan secara lalai, dengan blok penaakulan sebelum respons akhir. enable_thinking boleh menyahdayakan tingkah laku itu untuk jawapan terus. Qwen3.6 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink. Pastikan hasil yang diperlukan mudah dikenal pasti selepas penjelasan, seperti nilai yang dikira, jadual medan yang diekstrak atau tampalan kod yang boleh disunting.
Contoh video menggunakan dua bingkai sesaat secara lalai dalam aliran kerja yang disokong. Untuk video berskala jam, pembuat mengesyorkan peningkatan bajet pemproses bagi membolehkan pensampelan berkadar lebih tinggi, dengan contoh bersamaan kira-kira 224K token video. Lebih banyak butiran visual memerlukan lebih banyak bajet konteks dan pemprosesan. Tetapan itu tidak menetapkan tempoh video tanpa syarat atau ketepatan cap masa peristiwa yang tepat bagi setiap antara muka.
Pemikiran terdahulu
Templat lalai mengekalkan pemikiran yang dikaitkan dengan mesej pengguna terkini. Pilihan preserve_thinking boleh turut mengekalkan penaakulan daripada mesej terdahulu; contoh eksplisit pembuat mendayakannya dengan true. Ini boleh menyokong pembangunan secara iteratif yang keputusan terdahulunya kekal relevan selepas maklum balas alat baharu. Ia berbeza daripada tingkah laku pengekalan lalai Qwen3.8 yang didokumenkan dan panduan sejarah jawapan akhir sahaja Qwen3.5. Ikuti format checkpoint tepat, bukannya menggantikan peraturan sejarahnya secara senyap dengan peraturan generasi lain.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, bersama Qwen Code untuk kerja ejen pengekodan. Nyatakan tindakan yang dibenarkan dan kriteria penyiapan yang boleh diperhatikan. Alat boleh memeriksa bahan yang dibekalkan atau mengembalikan hasil pemeriksaan sebenar, selepas itu model boleh menyemak analisis. Model tidak mendapat akses kepada sistem fail, sumber semasa atau persekitaran pelaksanaan semata-mata daripada pengkhususan ejennya.
Input amat panjang
Resipi peluasan menggunakan YaRN dengan tetapan kedudukan berselang model ini. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor dua dicadangkan untuk beban kerja 524,288 token. Penskalaan statik boleh menurunkan prestasi teks lebih pendek, maka ia perlu mengikut keperluan sebenar konteks panjang. Labelkan halaman, fungsi dan sempadan dokumen, kemudian minta kesimpulan yang mengenal pasti bukti sokongan.
Cadangan penjanaan dan had
Bahagian Best Practices pada kad mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0 untuk pemikiran umum. Untuk pengekodan tepat, temperature menjadi 0.6. Untuk respons terus, temperature ialah 0.7, top_p 0.8 dan penalti kehadiran 1.5, dengan nilai lain tidak berubah. Pembuat memberi amaran bahawa penalti kehadiran lebih besar boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Peruntukan penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan soalan dan 81,920 untuk kerja matematik atau pengaturcaraan yang luar biasa sukar. Ia bukan had mutlak yang ditetapkan secara berasingan. Tentukan format jawapan akhir dan periksa teks yang diekstrak, kesimpulan ruang, pengiraan serta kod yang dicadangkan berdasarkan sumber. Konteks besar dan penaakulan yang dikekalkan membantu membawa bukti sepanjang tugas; artifak yang boleh disemak kekal sebagai hasil berguna.
", "aboutText": "Sorotan Qwen3.6 dalam model padat 27B\n\nQwen3.6-27B ialah model penglihatan-bahasa padat yang dibangunkan daripada Qwen3.5-27B. Pembuat menonjolkan ejen pengekodan dan penaakulan STEM yang lebih kukuh, dengan penambahbaikan pemahaman ruang, penyetempatan serta pengesanan objek, OCR dokumen, pemahaman video dan ejen visual. Ia menerima teks, imej dan video serta menjana teks. Edisi padat tepat ini berbeza daripada model campuran pakar Qwen3.6-35B-A3B, walaupun berkongsi generasi dan tumpuan tugas.\n\nUntuk rajah STEM, berikan pernyataan lengkap dan kekalkan label serta unit. Minta model mengasingkan fakta yang kelihatan secara langsung daripada andaian, kemudian mengembalikan penjelasan dengan jawapan akhir yang jelas. Untuk dokumen, nyatakan medan atau dakwaan yang perlu diekstrak dan minta rujukan halaman sokongan. Untuk ejen pengekodan, berikan modul berkaitan, tingkah laku yang dikehendaki dan maklum balas sebenar daripada aliran kerja yang disambungkan. Contoh ini menggunakan keupayaan yang didokumenkan; ia bukan dakwaan pengekstrakan tepat atau pelaksanaan berjaya.\n\nGambaran keseluruhan model\n\nModel ini mempunyai 27 bilion parameter dan 64 lapisan model bahasa. Susun atur hibridnya mengulangi tiga lapisan Gated DeltaNet diikuti satu lapisan perhatian dengan mekanisme gerbang, menggunakan rangkaian suap hadapan padat, bukannya pakar dengan pengaktifan terpilih. Pengekod penglihatan menyediakan pemahaman imej serta video, dan ramalan berbilang token ialah sebahagian daripada latihan. Fakta seni bina ini mengenal pasti checkpoint tanpa menentukan kedudukan kualiti atau masa respons setiap aplikasi.\n\nKonteks natif ialah 262,144 token dan boleh diperluas kepada 1,010,000 melalui konfigurasi. Qwen menyarankan pengekalan konteks sekurang-kurangnya 128K jika boleh bagi penaakulan kompleks, sambil mengakui tekanan memori mungkin memerlukan tetapan lebih kecil. Perwakilan imej dan video, teks, mesej terdahulu, pemikiran serta jawapan semuanya menggunakan ruang dalam urutan yang dikonfigurasi.\n\nInput dan mod\n\nPembuat menunjukkan soalan teks, imej dan video. Pemikiran didayakan secara lalai, dengan blok penaakulan sebelum respons akhir. enable_thinking boleh menyahdayakan tingkah laku itu untuk jawapan terus. Qwen3.6 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink. Pastikan hasil yang diperlukan mudah dikenal pasti selepas penjelasan, seperti nilai yang dikira, jadual medan yang diekstrak atau tampalan kod yang boleh disunting.\n\nContoh video menggunakan dua bingkai sesaat secara lalai dalam aliran kerja yang disokong. Untuk video berskala jam, pembuat mengesyorkan peningkatan bajet pemproses bagi membolehkan pensampelan berkadar lebih tinggi, dengan contoh bersamaan kira-kira 224K token video. Lebih banyak butiran visual memerlukan lebih banyak bajet konteks dan pemprosesan. Tetapan itu tidak menetapkan tempoh video tanpa syarat atau ketepatan cap masa peristiwa yang tepat bagi setiap antara muka.\n\nPemikiran terdahulu\n\nTemplat lalai mengekalkan pemikiran yang dikaitkan dengan mesej pengguna terkini. Pilihan preserve_thinking boleh turut mengekalkan penaakulan daripada mesej terdahulu; contoh eksplisit pembuat mendayakannya dengan true. Ini boleh menyokong pembangunan secara iteratif yang keputusan terdahulunya kekal relevan selepas maklum balas alat baharu. Ia berbeza daripada tingkah laku pengekalan lalai Qwen3.8 yang didokumenkan dan panduan sejarah jawapan akhir sahaja Qwen3.5. Ikuti format checkpoint tepat, bukannya menggantikan peraturan sejarahnya secara senyap dengan peraturan generasi lain.\n\nPenggunaan ejen\n\nQwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, bersama Qwen Code untuk kerja ejen pengekodan. Nyatakan tindakan yang dibenarkan dan kriteria penyiapan yang boleh diperhatikan. Alat boleh memeriksa bahan yang dibekalkan atau mengembalikan hasil pemeriksaan sebenar, selepas itu model boleh menyemak analisis. Model tidak mendapat akses kepada sistem fail, sumber semasa atau persekitaran pelaksanaan semata-mata daripada pengkhususan ejennya.\n\nInput amat panjang\n\nResipi peluasan menggunakan YaRN dengan tetapan kedudukan berselang model ini. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor dua dicadangkan untuk beban kerja 524,288 token. Penskalaan statik boleh menurunkan prestasi teks lebih pendek, maka ia perlu mengikut keperluan sebenar konteks panjang. Labelkan halaman, fungsi dan sempadan dokumen, kemudian minta kesimpulan yang mengenal pasti bukti sokongan.\n\nCadangan penjanaan dan had\n\nBahagian Best Practices pada kad mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0 untuk pemikiran umum. Untuk pengekodan tepat, temperature menjadi 0.6. Untuk respons terus, temperature ialah 0.7, top_p 0.8 dan penalti kehadiran 1.5, dengan nilai lain tidak berubah. Pembuat memberi amaran bahawa penalti kehadiran lebih besar boleh mencampurkan bahasa atau sedikit menurunkan kualiti.\n\nPeruntukan penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan soalan dan 81,920 untuk kerja matematik atau pengaturcaraan yang luar biasa sukar. Ia bukan had mutlak yang ditetapkan secara berasingan. Tentukan format jawapan akhir dan periksa teks yang diekstrak, kesimpulan ruang, pengiraan serta kod yang dicadangkan berdasarkan sumber. Konteks besar dan penaakulan yang dikekalkan membantu membawa bukti sepanjang tugas; artifak yang boleh disemak kekal sebagai hasil berguna.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B ialah model penglihatan-bahasa padat Qwen untuk pengekodan, penaakulan STEM dan analisis visual. Ia menerima teks, imej dan video serta mengembalikan teks, dengan mod berfikir yang boleh dipilih, pilihan untuk mengekalkan penaakulan terdahulu dan konteks natif 262,144 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.6 dalam model padat 27B
Qwen3.6-27B ialah model penglihatan-bahasa padat yang dibangunkan daripada Qwen3.5-27B. Pembuat menonjolkan ejen pengekodan dan penaakulan STEM yang lebih kukuh, dengan penambahbaikan pemahaman ruang, penyetempatan serta pengesanan objek, OCR dokumen, pemahaman video dan ejen visual. Ia menerima teks, imej dan video serta menjana teks. Edisi padat tepat ini berbeza daripada model campuran pakar Qwen3.6-35B-A3B, walaupun berkongsi generasi dan tumpuan tugas.
Untuk rajah STEM, berikan pernyataan lengkap dan kekalkan label serta unit. Minta model mengasingkan fakta yang kelihatan secara langsung daripada andaian, kemudian mengembalikan penjelasan dengan jawapan akhir yang jelas. Untuk dokumen, nyatakan medan atau dakwaan yang perlu diekstrak dan minta rujukan halaman sokongan. Untuk ejen pengekodan, berikan modul berkaitan, tingkah laku yang dikehendaki dan maklum balas sebenar daripada aliran kerja yang disambungkan. Contoh ini menggunakan keupayaan yang didokumenkan; ia bukan dakwaan pengekstrakan tepat atau pelaksanaan berjaya.
Gambaran keseluruhan model
Model ini mempunyai 27 bilion parameter dan 64 lapisan model bahasa. Susun atur hibridnya mengulangi tiga lapisan Gated DeltaNet diikuti satu lapisan perhatian dengan mekanisme gerbang, menggunakan rangkaian suap hadapan padat, bukannya pakar dengan pengaktifan terpilih. Pengekod penglihatan menyediakan pemahaman imej serta video, dan ramalan berbilang token ialah sebahagian daripada latihan. Fakta seni bina ini mengenal pasti checkpoint tanpa menentukan kedudukan kualiti atau masa respons setiap aplikasi.
Konteks natif ialah 262,144 token dan boleh diperluas kepada 1,010,000 melalui konfigurasi. Qwen menyarankan pengekalan konteks sekurang-kurangnya 128K jika boleh bagi penaakulan kompleks, sambil mengakui tekanan memori mungkin memerlukan tetapan lebih kecil. Perwakilan imej dan video, teks, mesej terdahulu, pemikiran serta jawapan semuanya menggunakan ruang dalam urutan yang dikonfigurasi.
Input dan mod
Pembuat menunjukkan soalan teks, imej dan video. Pemikiran didayakan secara lalai, dengan blok penaakulan sebelum respons akhir. enable_thinking boleh menyahdayakan tingkah laku itu untuk jawapan terus. Qwen3.6 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink. Pastikan hasil yang diperlukan mudah dikenal pasti selepas penjelasan, seperti nilai yang dikira, jadual medan yang diekstrak atau tampalan kod yang boleh disunting.
Contoh video menggunakan dua bingkai sesaat secara lalai dalam aliran kerja yang disokong. Untuk video berskala jam, pembuat mengesyorkan peningkatan bajet pemproses bagi membolehkan pensampelan berkadar lebih tinggi, dengan contoh bersamaan kira-kira 224K token video. Lebih banyak butiran visual memerlukan lebih banyak bajet konteks dan pemprosesan. Tetapan itu tidak menetapkan tempoh video tanpa syarat atau ketepatan cap masa peristiwa yang tepat bagi setiap antara muka.
Pemikiran terdahulu
Templat lalai mengekalkan pemikiran yang dikaitkan dengan mesej pengguna terkini. Pilihan preserve_thinking boleh turut mengekalkan penaakulan daripada mesej terdahulu; contoh eksplisit pembuat mendayakannya dengan true. Ini boleh menyokong pembangunan secara iteratif yang keputusan terdahulunya kekal relevan selepas maklum balas alat baharu. Ia berbeza daripada tingkah laku pengekalan lalai Qwen3.8 yang didokumenkan dan panduan sejarah jawapan akhir sahaja Qwen3.5. Ikuti format checkpoint tepat, bukannya menggantikan peraturan sejarahnya secara senyap dengan peraturan generasi lain.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, bersama Qwen Code untuk kerja ejen pengekodan. Nyatakan tindakan yang dibenarkan dan kriteria penyiapan yang boleh diperhatikan. Alat boleh memeriksa bahan yang dibekalkan atau mengembalikan hasil pemeriksaan sebenar, selepas itu model boleh menyemak analisis. Model tidak mendapat akses kepada sistem fail, sumber semasa atau persekitaran pelaksanaan semata-mata daripada pengkhususan ejennya.
Input amat panjang
Resipi peluasan menggunakan YaRN dengan tetapan kedudukan berselang model ini. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor dua dicadangkan untuk beban kerja 524,288 token. Penskalaan statik boleh menurunkan prestasi teks lebih pendek, maka ia perlu mengikut keperluan sebenar konteks panjang. Labelkan halaman, fungsi dan sempadan dokumen, kemudian minta kesimpulan yang mengenal pasti bukti sokongan.
Cadangan penjanaan dan had
Bahagian Best Practices pada kad mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0 untuk pemikiran umum. Untuk pengekodan tepat, temperature menjadi 0.6. Untuk respons terus, temperature ialah 0.7, top_p 0.8 dan penalti kehadiran 1.5, dengan nilai lain tidak berubah. Pembuat memberi amaran bahawa penalti kehadiran lebih besar boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Peruntukan penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan soalan dan 81,920 untuk kerja matematik atau pengaturcaraan yang luar biasa sukar. Ia bukan had mutlak yang ditetapkan secara berasingan. Tentukan format jawapan akhir dan periksa teks yang diekstrak, kesimpulan ruang, pengiraan serta kod yang dicadangkan berdasarkan sumber. Konteks besar dan penaakulan yang dikekalkan membantu membawa bukti sepanjang tugas; artifak yang boleh disemak kekal sebagai hasil berguna.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.6-27b | 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 $0.0009 / 1K token Output · Token output $0.0054 / 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 $0.0009 / 1K token Output · Token output $0.0054 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "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/qwen3.6-27b',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/qwen3.6-27b',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/qwen3.6-27b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.6-27bQwen3.6-27B ialah model penglihatan-bahasa padat Qwen untuk pengekodan, penaakulan STEM dan analisis visual. Ia menerima teks, imej dan video serta mengembalikan teks, dengan mod berfikir yang boleh dipilih, pilihan untuk mengekalkan penaakulan terdahulu dan konteks natif 262,144 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.6 dalam model padat 27B
Qwen3.6-27B ialah model penglihatan-bahasa padat yang dibangunkan daripada Qwen3.5-27B. Pembuat menonjolkan ejen pengekodan dan penaakulan STEM yang lebih kukuh, dengan penambahbaikan pemahaman ruang, penyetempatan serta pengesanan objek, OCR dokumen, pemahaman video dan ejen visual. Ia menerima teks, imej dan video serta menjana teks. Edisi padat tepat ini berbeza daripada model campuran pakar Qwen3.6-35B-A3B, walaupun berkongsi generasi dan tumpuan tugas.
Untuk rajah STEM, berikan pernyataan lengkap dan kekalkan label serta unit. Minta model mengasingkan fakta yang kelihatan secara langsung daripada andaian, kemudian mengembalikan penjelasan dengan jawapan akhir yang jelas. Untuk dokumen, nyatakan medan atau dakwaan yang perlu diekstrak dan minta rujukan halaman sokongan. Untuk ejen pengekodan, berikan modul berkaitan, tingkah laku yang dikehendaki dan maklum balas sebenar daripada aliran kerja yang disambungkan. Contoh ini menggunakan keupayaan yang didokumenkan; ia bukan dakwaan pengekstrakan tepat atau pelaksanaan berjaya.
Gambaran keseluruhan model
Model ini mempunyai 27 bilion parameter dan 64 lapisan model bahasa. Susun atur hibridnya mengulangi tiga lapisan Gated DeltaNet diikuti satu lapisan perhatian dengan mekanisme gerbang, menggunakan rangkaian suap hadapan padat, bukannya pakar dengan pengaktifan terpilih. Pengekod penglihatan menyediakan pemahaman imej serta video, dan ramalan berbilang token ialah sebahagian daripada latihan. Fakta seni bina ini mengenal pasti checkpoint tanpa menentukan kedudukan kualiti atau masa respons setiap aplikasi.
Konteks natif ialah 262,144 token dan boleh diperluas kepada 1,010,000 melalui konfigurasi. Qwen menyarankan pengekalan konteks sekurang-kurangnya 128K jika boleh bagi penaakulan kompleks, sambil mengakui tekanan memori mungkin memerlukan tetapan lebih kecil. Perwakilan imej dan video, teks, mesej terdahulu, pemikiran serta jawapan semuanya menggunakan ruang dalam urutan yang dikonfigurasi.
Input dan mod
Pembuat menunjukkan soalan teks, imej dan video. Pemikiran didayakan secara lalai, dengan blok penaakulan sebelum respons akhir. enable_thinking boleh menyahdayakan tingkah laku itu untuk jawapan terus. Qwen3.6 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt yang lama /think dan /nothink. Pastikan hasil yang diperlukan mudah dikenal pasti selepas penjelasan, seperti nilai yang dikira, jadual medan yang diekstrak atau tampalan kod yang boleh disunting.
Contoh video menggunakan dua bingkai sesaat secara lalai dalam aliran kerja yang disokong. Untuk video berskala jam, pembuat mengesyorkan peningkatan bajet pemproses bagi membolehkan pensampelan berkadar lebih tinggi, dengan contoh bersamaan kira-kira 224K token video. Lebih banyak butiran visual memerlukan lebih banyak bajet konteks dan pemprosesan. Tetapan itu tidak menetapkan tempoh video tanpa syarat atau ketepatan cap masa peristiwa yang tepat bagi setiap antara muka.
Pemikiran terdahulu
Templat lalai mengekalkan pemikiran yang dikaitkan dengan mesej pengguna terkini. Pilihan preserve_thinking boleh turut mengekalkan penaakulan daripada mesej terdahulu; contoh eksplisit pembuat mendayakannya dengan true. Ini boleh menyokong pembangunan secara iteratif yang keputusan terdahulunya kekal relevan selepas maklum balas alat baharu. Ia berbeza daripada tingkah laku pengekalan lalai Qwen3.8 yang didokumenkan dan panduan sejarah jawapan akhir sahaja Qwen3.5. Ikuti format checkpoint tepat, bukannya menggantikan peraturan sejarahnya secara senyap dengan peraturan generasi lain.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent dengan alat yang dikonfigurasi atau disambungkan melalui MCP, bersama Qwen Code untuk kerja ejen pengekodan. Nyatakan tindakan yang dibenarkan dan kriteria penyiapan yang boleh diperhatikan. Alat boleh memeriksa bahan yang dibekalkan atau mengembalikan hasil pemeriksaan sebenar, selepas itu model boleh menyemak analisis. Model tidak mendapat akses kepada sistem fail, sumber semasa atau persekitaran pelaksanaan semata-mata daripada pengkhususan ejennya.
Input amat panjang
Resipi peluasan menggunakan YaRN dengan tetapan kedudukan berselang model ini. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; faktor dua dicadangkan untuk beban kerja 524,288 token. Penskalaan statik boleh menurunkan prestasi teks lebih pendek, maka ia perlu mengikut keperluan sebenar konteks panjang. Labelkan halaman, fungsi dan sempadan dokumen, kemudian minta kesimpulan yang mengenal pasti bukti sokongan.
Cadangan penjanaan dan had
Bahagian Best Practices pada kad mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0 untuk pemikiran umum. Untuk pengekodan tepat, temperature menjadi 0.6. Untuk respons terus, temperature ialah 0.7, top_p 0.8 dan penalti kehadiran 1.5, dengan nilai lain tidak berubah. Pembuat memberi amaran bahawa penalti kehadiran lebih besar boleh mencampurkan bahasa atau sedikit menurunkan kualiti.
Peruntukan penjanaan yang disyorkan ialah 32,768 token untuk kebanyakan soalan dan 81,920 untuk kerja matematik atau pengaturcaraan yang luar biasa sukar. Ia bukan had mutlak yang ditetapkan secara berasingan. Tentukan format jawapan akhir dan periksa teks yang diekstrak, kesimpulan ruang, pengiraan serta kod yang dicadangkan berdasarkan sumber. Konteks besar dan penaakulan yang dikekalkan membantu membawa bukti sepanjang tugas; artifak yang boleh disemak kekal sebagai hasil berguna.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.6-27b | 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 $0.0009 / 1K token Output · Token output $0.0054 / 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 $0.0009 / 1K token Output · Token output $0.0054 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.6-27b', '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/qwen3.6-27b', '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/qwen3.6-27b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.