Sorotan Qwen3.6: pengekodan dan kesinambungan penaakulan
Qwen3.6-35B-A3B ialah model penglihatan-bahasa yang menumpukan pengekodan berguna dan kerja ejen. Qwen menonjolkan aliran kerja frontend dan penaakulan peringkat repositori yang lebih kukuh, serta pilihan baharu untuk mengekalkan pemikiran daripada mesej terdahulu. Ia menerima teks, imej dan video serta mengembalikan teks: penjelasan, cadangan kod, analisis berstruktur atau artifak teks lain yang diminta. Kekalkan edisi tepat 35B-A3B ini, bukannya menganggapnya sebagai Qwen3.6-27B padat atau padanan Qwen3.5 terdahulu.
Untuk tugas frontend, berikan tangkap layar berkaitan, keperluan fungsi dan konteks kod sedia ada. Minta sumber yang boleh disunting dan penerangan keadaan serta interaksi yang dimaksudkan. Untuk tugas repositori, kenal pasti ciri yang terjejas, input yang mendedahkan masalah dan tingkah laku yang dijangka. Minta cadangan tampalan bersama andaian serta pemeriksaan berkaitan.
Gambaran keseluruhan model
Model campuran pakar ini mempunyai 35 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Susun atur hibrid 40 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Ia mempunyai 256 pakar dalam sistem penghalaan dan memilih lapan pakar melalui penghalaan bersama satu pakar yang dikongsi; ramalan berbilang token ialah sebahagian daripada latihan. Bilangan parameter yang diaktifkan yang lebih kecil tidak menerangkan saiz checkpoint penuh. Pengekod penglihatan menyediakan bahagian visual model.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat kepada 1,010,000. Pembuat mengesyorkan pengekalan konteks sekurang-kurangnya 128K jika boleh bagi tugas pemikiran kompleks, walaupun pengurangannya dapat melegakan tekanan memori. Teks sumber, perwakilan visual, mesej terdahulu, penaakulan dan jawapan akhir berkongsi peruntukan urutan yang dikonfigurasi.
Menggunakan input dan mod respons
Kad menunjukkan soalan teks, imej dan video. Untuk rajah atau halaman, kekalkan label dan tentukan soalan tepat. Untuk klip, simpan masa dan nyatakan peristiwa yang diminati. Contoh video yang disokong pembuat menggunakan dua bingkai sesaat secara lalai dan membenarkan konfigurasi pensampelan. Resipi amalan terbaik memperluas bajet pemproses video kepada kira-kira 224K token video untuk analisis berskala jam pada kadar lebih tinggi; ia ialah contoh konfigurasi, bukannya had mutlak tempoh klip yang sejagat.
Pemikiran didayakan secara lalai. Kawalan enable_thinking pembuat boleh menyahdayakannya untuk jawapan terus. Qwen3.6 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt bagi Qwen3 lama /think dan /nothink. Asingkan penaakulan daripada artifak akhir apabila membentangkan hasil, dan ikuti antara muka checkpoint ini sendiri, bukannya menganggap penanda prompt atau kawalan daripada generasi lain terpakai.
Mengekalkan pemikiran terdahulu
Secara lalai, templat mengekalkan blok pemikiran yang dikaitkan dengan mesej pengguna terkini. Qwen3.6 turut dilatih untuk menggunakan penaakulan terdahulu apabila preserve_thinking didayakan. Contoh eksplisitnya menetapkan pilihan itu kepada true. Ini boleh membantu tugas ejen yang diperhalus secara berperingkat mengekalkan konteks keputusan, bukannya berulang kali menaakul semula untuk menentukan pilihan terdahulu; ia turut mengubah jumlah sejarah yang dibawa permintaan. Ketersediaan pilihan bergantung pada antara muka yang menyediakan resipi pembuat.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk mengkonfigurasi alat, termasuk alat yang disambungkan melalui MCP. Qwen Code ialah satu lagi aliran kerja ejen pengekodan yang didokumenkan pembuat. Tentukan alat yang dibenarkan, matlamat tugas dan hasil yang dijangka, kemudian kembalikan pemerhatian alat sebenar kepada model. Model boleh menaakul tentang hasil dan menyemak rancangan; akses kepada fail atau persekitaran pelaksanaan datang daripada aplikasi yang disambungkan, bukannya nama model.
Teks amat panjang
Peluasan konteks yang didokumenkan menggunakan YaRN dengan tetapan kedudukan berselang checkpoint. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; untuk beban kerja 524,288 token, Qwen mencadangkan faktor dua. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, maka pembuat mengesyorkan perubahannya apabila konteks lebih panjang diperlukan. Kekalkan pengecam bahagian dan kod dalam input besar serta minta hasil menunjukkan bukti yang menyokong setiap kesimpulan.
Panduan penjanaan dan had
Untuk pemikiran umum, pembuat mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 1.5 dan penalti pengulangan 1.0. Untuk pengekodan tepat, temperature menjadi 0.6 dan penalti kehadiran sifar. Untuk respons terus, ia mengesyorkan temperature 0.7, top_p 0.8 dan penalti kehadiran 1.5, dengan nilai lain tidak berubah. Penalti kehadiran lebih tinggi boleh mengurangkan pengulangan tetapi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Qwen mengesyorkan peruntukan penjanaan 32,768 token untuk kebanyakan soalan dan 81,920 untuk tugas matematik atau pengaturcaraan yang luar biasa kompleks. Ini ialah cadangan, bukannya had mutlak output yang ditetapkan secara berasingan. Nyatakan format akhir secara eksplisit dan periksa kod, pengiraan serta butiran visual yang diekstrak berdasarkan sumber. Kesinambungan penaakulan dan konteks panjang membantu membawa bukti tugas, manakala artifak akhir yang boleh diperiksa menjadikan hasil berguna.
", "aboutText": "Sorotan Qwen3.6: pengekodan dan kesinambungan penaakulan\n\nQwen3.6-35B-A3B ialah model penglihatan-bahasa yang menumpukan pengekodan berguna dan kerja ejen. Qwen menonjolkan aliran kerja frontend dan penaakulan peringkat repositori yang lebih kukuh, serta pilihan baharu untuk mengekalkan pemikiran daripada mesej terdahulu. Ia menerima teks, imej dan video serta mengembalikan teks: penjelasan, cadangan kod, analisis berstruktur atau artifak teks lain yang diminta. Kekalkan edisi tepat 35B-A3B ini, bukannya menganggapnya sebagai Qwen3.6-27B padat atau padanan Qwen3.5 terdahulu.\n\nUntuk tugas frontend, berikan tangkap layar berkaitan, keperluan fungsi dan konteks kod sedia ada. Minta sumber yang boleh disunting dan penerangan keadaan serta interaksi yang dimaksudkan. Untuk tugas repositori, kenal pasti ciri yang terjejas, input yang mendedahkan masalah dan tingkah laku yang dijangka. Minta cadangan tampalan bersama andaian serta pemeriksaan berkaitan.\n\nGambaran keseluruhan model\n\nModel campuran pakar ini mempunyai 35 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Susun atur hibrid 40 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Ia mempunyai 256 pakar dalam sistem penghalaan dan memilih lapan pakar melalui penghalaan bersama satu pakar yang dikongsi; ramalan berbilang token ialah sebahagian daripada latihan. Bilangan parameter yang diaktifkan yang lebih kecil tidak menerangkan saiz checkpoint penuh. Pengekod penglihatan menyediakan bahagian visual model.\n\nKonteks natif ialah 262,144 token, dengan peluasan bersyarat kepada 1,010,000. Pembuat mengesyorkan pengekalan konteks sekurang-kurangnya 128K jika boleh bagi tugas pemikiran kompleks, walaupun pengurangannya dapat melegakan tekanan memori. Teks sumber, perwakilan visual, mesej terdahulu, penaakulan dan jawapan akhir berkongsi peruntukan urutan yang dikonfigurasi.\n\nMenggunakan input dan mod respons\n\nKad menunjukkan soalan teks, imej dan video. Untuk rajah atau halaman, kekalkan label dan tentukan soalan tepat. Untuk klip, simpan masa dan nyatakan peristiwa yang diminati. Contoh video yang disokong pembuat menggunakan dua bingkai sesaat secara lalai dan membenarkan konfigurasi pensampelan. Resipi amalan terbaik memperluas bajet pemproses video kepada kira-kira 224K token video untuk analisis berskala jam pada kadar lebih tinggi; ia ialah contoh konfigurasi, bukannya had mutlak tempoh klip yang sejagat.\n\nPemikiran didayakan secara lalai. Kawalan enable_thinking pembuat boleh menyahdayakannya untuk jawapan terus. Qwen3.6 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt bagi Qwen3 lama /think dan /nothink. Asingkan penaakulan daripada artifak akhir apabila membentangkan hasil, dan ikuti antara muka checkpoint ini sendiri, bukannya menganggap penanda prompt atau kawalan daripada generasi lain terpakai.\n\nMengekalkan pemikiran terdahulu\n\nSecara lalai, templat mengekalkan blok pemikiran yang dikaitkan dengan mesej pengguna terkini. Qwen3.6 turut dilatih untuk menggunakan penaakulan terdahulu apabila preserve_thinking didayakan. Contoh eksplisitnya menetapkan pilihan itu kepada true. Ini boleh membantu tugas ejen yang diperhalus secara berperingkat mengekalkan konteks keputusan, bukannya berulang kali menaakul semula untuk menentukan pilihan terdahulu; ia turut mengubah jumlah sejarah yang dibawa permintaan. Ketersediaan pilihan bergantung pada antara muka yang menyediakan resipi pembuat.\n\nPenggunaan ejen\n\nQwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk mengkonfigurasi alat, termasuk alat yang disambungkan melalui MCP. Qwen Code ialah satu lagi aliran kerja ejen pengekodan yang didokumenkan pembuat. Tentukan alat yang dibenarkan, matlamat tugas dan hasil yang dijangka, kemudian kembalikan pemerhatian alat sebenar kepada model. Model boleh menaakul tentang hasil dan menyemak rancangan; akses kepada fail atau persekitaran pelaksanaan datang daripada aplikasi yang disambungkan, bukannya nama model.\n\nTeks amat panjang\n\nPeluasan konteks yang didokumenkan menggunakan YaRN dengan tetapan kedudukan berselang checkpoint. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; untuk beban kerja 524,288 token, Qwen mencadangkan faktor dua. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, maka pembuat mengesyorkan perubahannya apabila konteks lebih panjang diperlukan. Kekalkan pengecam bahagian dan kod dalam input besar serta minta hasil menunjukkan bukti yang menyokong setiap kesimpulan.\n\nPanduan penjanaan dan had\n\nUntuk pemikiran umum, pembuat mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 1.5 dan penalti pengulangan 1.0. Untuk pengekodan tepat, temperature menjadi 0.6 dan penalti kehadiran sifar. Untuk respons terus, ia mengesyorkan temperature 0.7, top_p 0.8 dan penalti kehadiran 1.5, dengan nilai lain tidak berubah. Penalti kehadiran lebih tinggi boleh mengurangkan pengulangan tetapi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.\n\nQwen mengesyorkan peruntukan penjanaan 32,768 token untuk kebanyakan soalan dan 81,920 untuk tugas matematik atau pengaturcaraan yang luar biasa kompleks. Ini ialah cadangan, bukannya had mutlak output yang ditetapkan secara berasingan. Nyatakan format akhir secara eksplisit dan periksa kod, pengiraan serta butiran visual yang diekstrak berdasarkan sumber. Kesinambungan penaakulan dan konteks panjang membantu membawa bukti tugas, manakala artifak akhir yang boleh diperiksa menjadikan hasil berguna.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B ialah model penglihatan-bahasa campuran pakar Qwen dengan 35 bilion parameter keseluruhan dan 3 bilion diaktifkan. Ia menumpukan pengekodan frontend dan peringkat repositori, menambah pilihan pengekalan penaakulan terdahulu serta menerima teks, imej dan video dengan output teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.6: pengekodan dan kesinambungan penaakulan
Qwen3.6-35B-A3B ialah model penglihatan-bahasa yang menumpukan pengekodan berguna dan kerja ejen. Qwen menonjolkan aliran kerja frontend dan penaakulan peringkat repositori yang lebih kukuh, serta pilihan baharu untuk mengekalkan pemikiran daripada mesej terdahulu. Ia menerima teks, imej dan video serta mengembalikan teks: penjelasan, cadangan kod, analisis berstruktur atau artifak teks lain yang diminta. Kekalkan edisi tepat 35B-A3B ini, bukannya menganggapnya sebagai Qwen3.6-27B padat atau padanan Qwen3.5 terdahulu.
Untuk tugas frontend, berikan tangkap layar berkaitan, keperluan fungsi dan konteks kod sedia ada. Minta sumber yang boleh disunting dan penerangan keadaan serta interaksi yang dimaksudkan. Untuk tugas repositori, kenal pasti ciri yang terjejas, input yang mendedahkan masalah dan tingkah laku yang dijangka. Minta cadangan tampalan bersama andaian serta pemeriksaan berkaitan.
Gambaran keseluruhan model
Model campuran pakar ini mempunyai 35 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Susun atur hibrid 40 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Ia mempunyai 256 pakar dalam sistem penghalaan dan memilih lapan pakar melalui penghalaan bersama satu pakar yang dikongsi; ramalan berbilang token ialah sebahagian daripada latihan. Bilangan parameter yang diaktifkan yang lebih kecil tidak menerangkan saiz checkpoint penuh. Pengekod penglihatan menyediakan bahagian visual model.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat kepada 1,010,000. Pembuat mengesyorkan pengekalan konteks sekurang-kurangnya 128K jika boleh bagi tugas pemikiran kompleks, walaupun pengurangannya dapat melegakan tekanan memori. Teks sumber, perwakilan visual, mesej terdahulu, penaakulan dan jawapan akhir berkongsi peruntukan urutan yang dikonfigurasi.
Menggunakan input dan mod respons
Kad menunjukkan soalan teks, imej dan video. Untuk rajah atau halaman, kekalkan label dan tentukan soalan tepat. Untuk klip, simpan masa dan nyatakan peristiwa yang diminati. Contoh video yang disokong pembuat menggunakan dua bingkai sesaat secara lalai dan membenarkan konfigurasi pensampelan. Resipi amalan terbaik memperluas bajet pemproses video kepada kira-kira 224K token video untuk analisis berskala jam pada kadar lebih tinggi; ia ialah contoh konfigurasi, bukannya had mutlak tempoh klip yang sejagat.
Pemikiran didayakan secara lalai. Kawalan enable_thinking pembuat boleh menyahdayakannya untuk jawapan terus. Qwen3.6 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt bagi Qwen3 lama /think dan /nothink. Asingkan penaakulan daripada artifak akhir apabila membentangkan hasil, dan ikuti antara muka checkpoint ini sendiri, bukannya menganggap penanda prompt atau kawalan daripada generasi lain terpakai.
Mengekalkan pemikiran terdahulu
Secara lalai, templat mengekalkan blok pemikiran yang dikaitkan dengan mesej pengguna terkini. Qwen3.6 turut dilatih untuk menggunakan penaakulan terdahulu apabila preserve_thinking didayakan. Contoh eksplisitnya menetapkan pilihan itu kepada true. Ini boleh membantu tugas ejen yang diperhalus secara berperingkat mengekalkan konteks keputusan, bukannya berulang kali menaakul semula untuk menentukan pilihan terdahulu; ia turut mengubah jumlah sejarah yang dibawa permintaan. Ketersediaan pilihan bergantung pada antara muka yang menyediakan resipi pembuat.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk mengkonfigurasi alat, termasuk alat yang disambungkan melalui MCP. Qwen Code ialah satu lagi aliran kerja ejen pengekodan yang didokumenkan pembuat. Tentukan alat yang dibenarkan, matlamat tugas dan hasil yang dijangka, kemudian kembalikan pemerhatian alat sebenar kepada model. Model boleh menaakul tentang hasil dan menyemak rancangan; akses kepada fail atau persekitaran pelaksanaan datang daripada aplikasi yang disambungkan, bukannya nama model.
Teks amat panjang
Peluasan konteks yang didokumenkan menggunakan YaRN dengan tetapan kedudukan berselang checkpoint. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; untuk beban kerja 524,288 token, Qwen mencadangkan faktor dua. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, maka pembuat mengesyorkan perubahannya apabila konteks lebih panjang diperlukan. Kekalkan pengecam bahagian dan kod dalam input besar serta minta hasil menunjukkan bukti yang menyokong setiap kesimpulan.
Panduan penjanaan dan had
Untuk pemikiran umum, pembuat mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 1.5 dan penalti pengulangan 1.0. Untuk pengekodan tepat, temperature menjadi 0.6 dan penalti kehadiran sifar. Untuk respons terus, ia mengesyorkan temperature 0.7, top_p 0.8 dan penalti kehadiran 1.5, dengan nilai lain tidak berubah. Penalti kehadiran lebih tinggi boleh mengurangkan pengulangan tetapi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Qwen mengesyorkan peruntukan penjanaan 32,768 token untuk kebanyakan soalan dan 81,920 untuk tugas matematik atau pengaturcaraan yang luar biasa kompleks. Ini ialah cadangan, bukannya had mutlak output yang ditetapkan secara berasingan. Nyatakan format akhir secara eksplisit dan periksa kod, pengiraan serta butiran visual yang diekstrak berdasarkan sumber. Kesinambungan penaakulan dan konteks panjang membantu membawa bukti tugas, manakala artifak akhir yang boleh diperiksa menjadikan hasil berguna.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K token Output · Token output $0.00341 / 1K token Input · Bacaan cache $0.0001 / 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 $0.000566 / 1K token Output · Token output $0.00341 / 1K token Input · Bacaan cache $0.0001 / 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/qwen3.6-35b-a3b", "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/qwen3.6-35b-a3b',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/qwen3.6-35b-a3b',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/qwen3.6-35b-a3b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B ialah model penglihatan-bahasa campuran pakar Qwen dengan 35 bilion parameter keseluruhan dan 3 bilion diaktifkan. Ia menumpukan pengekodan frontend dan peringkat repositori, menambah pilihan pengekalan penaakulan terdahulu serta menerima teks, imej dan video dengan output teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.6: pengekodan dan kesinambungan penaakulan
Qwen3.6-35B-A3B ialah model penglihatan-bahasa yang menumpukan pengekodan berguna dan kerja ejen. Qwen menonjolkan aliran kerja frontend dan penaakulan peringkat repositori yang lebih kukuh, serta pilihan baharu untuk mengekalkan pemikiran daripada mesej terdahulu. Ia menerima teks, imej dan video serta mengembalikan teks: penjelasan, cadangan kod, analisis berstruktur atau artifak teks lain yang diminta. Kekalkan edisi tepat 35B-A3B ini, bukannya menganggapnya sebagai Qwen3.6-27B padat atau padanan Qwen3.5 terdahulu.
Untuk tugas frontend, berikan tangkap layar berkaitan, keperluan fungsi dan konteks kod sedia ada. Minta sumber yang boleh disunting dan penerangan keadaan serta interaksi yang dimaksudkan. Untuk tugas repositori, kenal pasti ciri yang terjejas, input yang mendedahkan masalah dan tingkah laku yang dijangka. Minta cadangan tampalan bersama andaian serta pemeriksaan berkaitan.
Gambaran keseluruhan model
Model campuran pakar ini mempunyai 35 bilion parameter keseluruhan dan mengaktifkan tiga bilion. Susun atur hibrid 40 lapisannya mengulangi tiga lapisan pakar Gated DeltaNet diikuti satu lapisan pakar perhatian dengan mekanisme gerbang. Ia mempunyai 256 pakar dalam sistem penghalaan dan memilih lapan pakar melalui penghalaan bersama satu pakar yang dikongsi; ramalan berbilang token ialah sebahagian daripada latihan. Bilangan parameter yang diaktifkan yang lebih kecil tidak menerangkan saiz checkpoint penuh. Pengekod penglihatan menyediakan bahagian visual model.
Konteks natif ialah 262,144 token, dengan peluasan bersyarat kepada 1,010,000. Pembuat mengesyorkan pengekalan konteks sekurang-kurangnya 128K jika boleh bagi tugas pemikiran kompleks, walaupun pengurangannya dapat melegakan tekanan memori. Teks sumber, perwakilan visual, mesej terdahulu, penaakulan dan jawapan akhir berkongsi peruntukan urutan yang dikonfigurasi.
Menggunakan input dan mod respons
Kad menunjukkan soalan teks, imej dan video. Untuk rajah atau halaman, kekalkan label dan tentukan soalan tepat. Untuk klip, simpan masa dan nyatakan peristiwa yang diminati. Contoh video yang disokong pembuat menggunakan dua bingkai sesaat secara lalai dan membenarkan konfigurasi pensampelan. Resipi amalan terbaik memperluas bajet pemproses video kepada kira-kira 224K token video untuk analisis berskala jam pada kadar lebih tinggi; ia ialah contoh konfigurasi, bukannya had mutlak tempoh klip yang sejagat.
Pemikiran didayakan secara lalai. Kawalan enable_thinking pembuat boleh menyahdayakannya untuk jawapan terus. Qwen3.6 tidak menyokong secara rasmi arahan kawalan mod pada peringkat prompt bagi Qwen3 lama /think dan /nothink. Asingkan penaakulan daripada artifak akhir apabila membentangkan hasil, dan ikuti antara muka checkpoint ini sendiri, bukannya menganggap penanda prompt atau kawalan daripada generasi lain terpakai.
Mengekalkan pemikiran terdahulu
Secara lalai, templat mengekalkan blok pemikiran yang dikaitkan dengan mesej pengguna terkini. Qwen3.6 turut dilatih untuk menggunakan penaakulan terdahulu apabila preserve_thinking didayakan. Contoh eksplisitnya menetapkan pilihan itu kepada true. Ini boleh membantu tugas ejen yang diperhalus secara berperingkat mengekalkan konteks keputusan, bukannya berulang kali menaakul semula untuk menentukan pilihan terdahulu; ia turut mengubah jumlah sejarah yang dibawa permintaan. Ketersediaan pilihan bergantung pada antara muka yang menyediakan resipi pembuat.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk mengkonfigurasi alat, termasuk alat yang disambungkan melalui MCP. Qwen Code ialah satu lagi aliran kerja ejen pengekodan yang didokumenkan pembuat. Tentukan alat yang dibenarkan, matlamat tugas dan hasil yang dijangka, kemudian kembalikan pemerhatian alat sebenar kepada model. Model boleh menaakul tentang hasil dan menyemak rancangan; akses kepada fail atau persekitaran pelaksanaan datang daripada aplikasi yang disambungkan, bukannya nama model.
Teks amat panjang
Peluasan konteks yang didokumenkan menggunakan YaRN dengan tetapan kedudukan berselang checkpoint. Faktor empat menyasarkan aliran kerja kira-kira satu juta token; untuk beban kerja 524,288 token, Qwen mencadangkan faktor dua. Penskalaan statik boleh menjejaskan prestasi teks lebih pendek, maka pembuat mengesyorkan perubahannya apabila konteks lebih panjang diperlukan. Kekalkan pengecam bahagian dan kod dalam input besar serta minta hasil menunjukkan bukti yang menyokong setiap kesimpulan.
Panduan penjanaan dan had
Untuk pemikiran umum, pembuat mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 1.5 dan penalti pengulangan 1.0. Untuk pengekodan tepat, temperature menjadi 0.6 dan penalti kehadiran sifar. Untuk respons terus, ia mengesyorkan temperature 0.7, top_p 0.8 dan penalti kehadiran 1.5, dengan nilai lain tidak berubah. Penalti kehadiran lebih tinggi boleh mengurangkan pengulangan tetapi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Qwen mengesyorkan peruntukan penjanaan 32,768 token untuk kebanyakan soalan dan 81,920 untuk tugas matematik atau pengaturcaraan yang luar biasa kompleks. Ini ialah cadangan, bukannya had mutlak output yang ditetapkan secara berasingan. Nyatakan format akhir secara eksplisit dan periksa kod, pengiraan serta butiran visual yang diekstrak berdasarkan sumber. Kesinambungan penaakulan dan konteks panjang membantu membawa bukti tugas, manakala artifak akhir yang boleh diperiksa menjadikan hasil berguna.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K token Output · Token output $0.00341 / 1K token Input · Bacaan cache $0.0001 / 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 $0.000566 / 1K token Output · Token output $0.00341 / 1K token Input · Bacaan cache $0.0001 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.6-35b-a3b', '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/qwen3.6-35b-a3b', '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/qwen3.6-35b-a3b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.