Qwen3.5-høydepunkter: ekspertmodellen 122B-A10B
Qwen3.5-122B-A10B er en ettertrent syns- og språkmodell for kombinerte oppgaver med tekst og visuelt materiale. Den tar imot tekst, bilder og video og returnerer tekst, inkludert forklaringer, kodeforslag og forespurte dokumentleveranser. Familien bygges gjennom tidlig sammensmelting av tekst og syn og forsterkningslæring på gradvis mer komplekse oppgaver, og utvikler resonnering, programmering, agenter og visuell forståelse. Den beskriver dekning av 201 språk og dialekter, uten at det innebærer lik pålitelighet for alle språk eller fagområder.
En nyttig oppgave kan kombinere en teknisk spesifikasjon, diagrammer og relevant kode og be modellen forklare komponentene og returnere et implementasjonsforslag. En dokumentanalyseoppgave kan be om en sammenligning med underbyggende avsnitts- eller sidereferanser.
Modelloversikt
Den sparsomme mixture-of-experts-modellversjonen har totalt 122 milliarder parametere og aktiverer ti milliarder. Den har 48 språkmodellag, med grupper på tre Gated DeltaNet-ekspertlag etterfulgt av ett ekspertlag med portstyrt oppmerksomhet. Utvikleren oppgir 256 rutede eksperter; modellen velger åtte av dem sammen med én felles ekspert. En synsenkoder og prediksjon av flere tokener inngår i modellen. Totalt og aktivert parameterantall har forskjellige betydninger; det aktiverte tallet er ikke størrelsen på hele modellversjonen.
Dette er en egen utgave, atskilt fra den tette Qwen3.5-27B, den sparsomme Qwen3.5-35B-A3B og senere modellgenerasjoner. Ikke utled en generell rangering av ytelse eller forsinkelse fra størrelsen alene. Den opprinnelige konteksten er på 262,144 tokener, og den dokumenterte utvidelsen når 1,010,000 med konfigurasjon. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for kompleks tenkning, samtidig som minnepress kan kreve et mindre vindu.
Forberede kombinert skriftlig og visuelt kildegrunnlag
Bevar diagrametiketter, diagramakser, tabelloverskrifter og enheter. Angi om resultatet skal forklare en sammenheng, hente ut navngitte felter eller foreslå kode. Når flere kilder er viktige, merker du dem og ber om utdata organisert etter de samme identifikatorene. Skill synlige fakta fra antakelser, slik at en leser kan spore resonneringen til det vedlagte materialet.
For en kodeforespørsel identifiserer du tiltenkt atferd, relevant kildekode og inndata som viser problemet. Be om en redigerbar patch med en forklaring av berørte betingelser og kontroller. For video bevarer du hendelsesrekkefølgen og tidsinformasjonen og spesifiserer spørsmålet fremfor å be om et udifferensiert sammendrag. Modellens tekstresultat er et utkast til en leveranse som skal undersøkes; støtte for visuelle inndata betyr ikke bilde-, video- eller talegenerering.
Tenkning og historikk
Tenkning er aktivert som standard, med resonnering før sluttsvaret. Utviklerens enable_thinking-innstilling kan deaktivere den for direkte svar. De gamle myke bryterne /think og /nothink støttes ikke offisielt. Qwen3.5 anbefaler å beholde sluttsvar uten tenkeinnhold i historiske assistentmeldinger. Dette bør ikke erstattes med senere Qwen-generasjoners alternativer for historisk bevaring bare fordi de deler et familienavn.
Gjør sluttresultatet lett å finne, for eksempel et definert svarfelt, en avgrenset verdi eller en separat kodeleveranse. Et direkte svar må fortsatt kontrolleres, mens lengre resonnering bare er nyttig når stegene underbygger en konklusjon som kan verifiseres.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodeagentarbeid. Definer tillatte handlinger, tilgjengelig kildegrunnlag og fullføringskriterier. Tilkoblede verktøy utfører operasjoner og returnerer resultater; modellen bruker disse tilbakemeldingene i analysen. En foreslått kommando, innhentingsspørring eller patch bør forbli atskilt fra en handling som faktisk er fullført av programmet.
Svært lang kontekst og video
Utviklerens utvidelse bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener, og to foreslås for arbeidsmengder på 524,288 tokener. Statisk skalering kan påvirke ytelsen på kortere tekst, så den bør følge et reelt behov for større kontekst. Inndata, representert visuelt materiale, historikk, resonnering og sluttsvaret bruker alle det konfigurerte sekvensbudsjettet.
Det støttede videoeksemplet bruker som standard to bilder per sekund. For materiale som varer i timer, anbefaler utvikleren å øke prosessorbudsjettet til omtrent 224K videotokener for høyere samplingsfrekvens. Dette er et konfigurasjonsavhengig oppsett, ikke en universell garanti for medievarighet, fullstendig gjenkalling eller tidsstempelpresisjon.
Genereringsveiledning og vesentlige grenser
Beste praksis anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0 for generell tenkning. Presis programmering bruker temperature 0.6 og tilstedeværelsesstraff null. Generelle direkte svar bruker temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5; top_k er 20, min_p er 0 og repetisjonsstraff er 1.0. Resonnering med direkte svar har et separat forvalg: temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Høyere tilstedeværelsesstraff kan blande språk eller redusere kvaliteten litt.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekst matematisk arbeid eller programmeringsarbeid; de er ikke separat fastslåtte absolutte utdatagrenser. Definer det forespurte formatet, behold kildeidentifikatorer og kontroller beregninger, uthentede verdier og foreslått kode mot det opprinnelige kildegrunnlaget. Det nyttige utfallet er en fullstendig tekstleveranse der forutsetningene og det underbyggende materialet fortsatt er synlige.
", "aboutText": "Qwen3.5-høydepunkter: ekspertmodellen 122B-A10B\n\nQwen3.5-122B-A10B er en ettertrent syns- og språkmodell for kombinerte oppgaver med tekst og visuelt materiale. Den tar imot tekst, bilder og video og returnerer tekst, inkludert forklaringer, kodeforslag og forespurte dokumentleveranser. Familien bygges gjennom tidlig sammensmelting av tekst og syn og forsterkningslæring på gradvis mer komplekse oppgaver, og utvikler resonnering, programmering, agenter og visuell forståelse. Den beskriver dekning av 201 språk og dialekter, uten at det innebærer lik pålitelighet for alle språk eller fagområder.\n\nEn nyttig oppgave kan kombinere en teknisk spesifikasjon, diagrammer og relevant kode og be modellen forklare komponentene og returnere et implementasjonsforslag. En dokumentanalyseoppgave kan be om en sammenligning med underbyggende avsnitts- eller sidereferanser.\n\nModelloversikt\n\nDen sparsomme mixture-of-experts-modellversjonen har totalt 122 milliarder parametere og aktiverer ti milliarder. Den har 48 språkmodellag, med grupper på tre Gated DeltaNet-ekspertlag etterfulgt av ett ekspertlag med portstyrt oppmerksomhet. Utvikleren oppgir 256 rutede eksperter; modellen velger åtte av dem sammen med én felles ekspert. En synsenkoder og prediksjon av flere tokener inngår i modellen. Totalt og aktivert parameterantall har forskjellige betydninger; det aktiverte tallet er ikke størrelsen på hele modellversjonen.\n\nDette er en egen utgave, atskilt fra den tette Qwen3.5-27B, den sparsomme Qwen3.5-35B-A3B og senere modellgenerasjoner. Ikke utled en generell rangering av ytelse eller forsinkelse fra størrelsen alene. Den opprinnelige konteksten er på 262,144 tokener, og den dokumenterte utvidelsen når 1,010,000 med konfigurasjon. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for kompleks tenkning, samtidig som minnepress kan kreve et mindre vindu.\n\nForberede kombinert skriftlig og visuelt kildegrunnlag\n\nBevar diagrametiketter, diagramakser, tabelloverskrifter og enheter. Angi om resultatet skal forklare en sammenheng, hente ut navngitte felter eller foreslå kode. Når flere kilder er viktige, merker du dem og ber om utdata organisert etter de samme identifikatorene. Skill synlige fakta fra antakelser, slik at en leser kan spore resonneringen til det vedlagte materialet.\n\nFor en kodeforespørsel identifiserer du tiltenkt atferd, relevant kildekode og inndata som viser problemet. Be om en redigerbar patch med en forklaring av berørte betingelser og kontroller. For video bevarer du hendelsesrekkefølgen og tidsinformasjonen og spesifiserer spørsmålet fremfor å be om et udifferensiert sammendrag. Modellens tekstresultat er et utkast til en leveranse som skal undersøkes; støtte for visuelle inndata betyr ikke bilde-, video- eller talegenerering.\n\nTenkning og historikk\n\nTenkning er aktivert som standard, med resonnering før sluttsvaret. Utviklerens enable_thinking-innstilling kan deaktivere den for direkte svar. De gamle myke bryterne /think og /nothink støttes ikke offisielt. Qwen3.5 anbefaler å beholde sluttsvar uten tenkeinnhold i historiske assistentmeldinger. Dette bør ikke erstattes med senere Qwen-generasjoners alternativer for historisk bevaring bare fordi de deler et familienavn.\n\nGjør sluttresultatet lett å finne, for eksempel et definert svarfelt, en avgrenset verdi eller en separat kodeleveranse. Et direkte svar må fortsatt kontrolleres, mens lengre resonnering bare er nyttig når stegene underbygger en konklusjon som kan verifiseres.\n\nAgentbruk\n\nQwen dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodeagentarbeid. Definer tillatte handlinger, tilgjengelig kildegrunnlag og fullføringskriterier. Tilkoblede verktøy utfører operasjoner og returnerer resultater; modellen bruker disse tilbakemeldingene i analysen. En foreslått kommando, innhentingsspørring eller patch bør forbli atskilt fra en handling som faktisk er fullført av programmet.\n\nSvært lang kontekst og video\n\nUtviklerens utvidelse bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener, og to foreslås for arbeidsmengder på 524,288 tokener. Statisk skalering kan påvirke ytelsen på kortere tekst, så den bør følge et reelt behov for større kontekst. Inndata, representert visuelt materiale, historikk, resonnering og sluttsvaret bruker alle det konfigurerte sekvensbudsjettet.\n\nDet støttede videoeksemplet bruker som standard to bilder per sekund. For materiale som varer i timer, anbefaler utvikleren å øke prosessorbudsjettet til omtrent 224K videotokener for høyere samplingsfrekvens. Dette er et konfigurasjonsavhengig oppsett, ikke en universell garanti for medievarighet, fullstendig gjenkalling eller tidsstempelpresisjon.\n\nGenereringsveiledning og vesentlige grenser\n\nBeste praksis anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0 for generell tenkning. Presis programmering bruker temperature 0.6 og tilstedeværelsesstraff null. Generelle direkte svar bruker temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5; top_k er 20, min_p er 0 og repetisjonsstraff er 1.0. Resonnering med direkte svar har et separat forvalg: temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Høyere tilstedeværelsesstraff kan blande språk eller redusere kvaliteten litt.\n\nAnbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekst matematisk arbeid eller programmeringsarbeid; de er ikke separat fastslåtte absolutte utdatagrenser. Definer det forespurte formatet, behold kildeidentifikatorer og kontroller beregninger, uthentede verdier og foreslått kode mot det opprinnelige kildegrunnlaget. Det nyttige utfallet er en fullstendig tekstleveranse der forutsetningene og det underbyggende materialet fortsatt er synlige.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B er Qwens mixture-of-experts-modell for syn og språk med totalt 122 milliarder og 10 milliarder aktiverte parametere. Den tar imot tekst, bilder og video til resonnering, programmering og agentoppgaver og returnerer tekst med valgbar tenkning og en opprinnelig kontekst på 262,144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.5-høydepunkter: ekspertmodellen 122B-A10B
Qwen3.5-122B-A10B er en ettertrent syns- og språkmodell for kombinerte oppgaver med tekst og visuelt materiale. Den tar imot tekst, bilder og video og returnerer tekst, inkludert forklaringer, kodeforslag og forespurte dokumentleveranser. Familien bygges gjennom tidlig sammensmelting av tekst og syn og forsterkningslæring på gradvis mer komplekse oppgaver, og utvikler resonnering, programmering, agenter og visuell forståelse. Den beskriver dekning av 201 språk og dialekter, uten at det innebærer lik pålitelighet for alle språk eller fagområder.
En nyttig oppgave kan kombinere en teknisk spesifikasjon, diagrammer og relevant kode og be modellen forklare komponentene og returnere et implementasjonsforslag. En dokumentanalyseoppgave kan be om en sammenligning med underbyggende avsnitts- eller sidereferanser.
Modelloversikt
Den sparsomme mixture-of-experts-modellversjonen har totalt 122 milliarder parametere og aktiverer ti milliarder. Den har 48 språkmodellag, med grupper på tre Gated DeltaNet-ekspertlag etterfulgt av ett ekspertlag med portstyrt oppmerksomhet. Utvikleren oppgir 256 rutede eksperter; modellen velger åtte av dem sammen med én felles ekspert. En synsenkoder og prediksjon av flere tokener inngår i modellen. Totalt og aktivert parameterantall har forskjellige betydninger; det aktiverte tallet er ikke størrelsen på hele modellversjonen.
Dette er en egen utgave, atskilt fra den tette Qwen3.5-27B, den sparsomme Qwen3.5-35B-A3B og senere modellgenerasjoner. Ikke utled en generell rangering av ytelse eller forsinkelse fra størrelsen alene. Den opprinnelige konteksten er på 262,144 tokener, og den dokumenterte utvidelsen når 1,010,000 med konfigurasjon. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for kompleks tenkning, samtidig som minnepress kan kreve et mindre vindu.
Forberede kombinert skriftlig og visuelt kildegrunnlag
Bevar diagrametiketter, diagramakser, tabelloverskrifter og enheter. Angi om resultatet skal forklare en sammenheng, hente ut navngitte felter eller foreslå kode. Når flere kilder er viktige, merker du dem og ber om utdata organisert etter de samme identifikatorene. Skill synlige fakta fra antakelser, slik at en leser kan spore resonneringen til det vedlagte materialet.
For en kodeforespørsel identifiserer du tiltenkt atferd, relevant kildekode og inndata som viser problemet. Be om en redigerbar patch med en forklaring av berørte betingelser og kontroller. For video bevarer du hendelsesrekkefølgen og tidsinformasjonen og spesifiserer spørsmålet fremfor å be om et udifferensiert sammendrag. Modellens tekstresultat er et utkast til en leveranse som skal undersøkes; støtte for visuelle inndata betyr ikke bilde-, video- eller talegenerering.
Tenkning og historikk
Tenkning er aktivert som standard, med resonnering før sluttsvaret. Utviklerens enable_thinking-innstilling kan deaktivere den for direkte svar. De gamle myke bryterne /think og /nothink støttes ikke offisielt. Qwen3.5 anbefaler å beholde sluttsvar uten tenkeinnhold i historiske assistentmeldinger. Dette bør ikke erstattes med senere Qwen-generasjoners alternativer for historisk bevaring bare fordi de deler et familienavn.
Gjør sluttresultatet lett å finne, for eksempel et definert svarfelt, en avgrenset verdi eller en separat kodeleveranse. Et direkte svar må fortsatt kontrolleres, mens lengre resonnering bare er nyttig når stegene underbygger en konklusjon som kan verifiseres.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodeagentarbeid. Definer tillatte handlinger, tilgjengelig kildegrunnlag og fullføringskriterier. Tilkoblede verktøy utfører operasjoner og returnerer resultater; modellen bruker disse tilbakemeldingene i analysen. En foreslått kommando, innhentingsspørring eller patch bør forbli atskilt fra en handling som faktisk er fullført av programmet.
Svært lang kontekst og video
Utviklerens utvidelse bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener, og to foreslås for arbeidsmengder på 524,288 tokener. Statisk skalering kan påvirke ytelsen på kortere tekst, så den bør følge et reelt behov for større kontekst. Inndata, representert visuelt materiale, historikk, resonnering og sluttsvaret bruker alle det konfigurerte sekvensbudsjettet.
Det støttede videoeksemplet bruker som standard to bilder per sekund. For materiale som varer i timer, anbefaler utvikleren å øke prosessorbudsjettet til omtrent 224K videotokener for høyere samplingsfrekvens. Dette er et konfigurasjonsavhengig oppsett, ikke en universell garanti for medievarighet, fullstendig gjenkalling eller tidsstempelpresisjon.
Genereringsveiledning og vesentlige grenser
Beste praksis anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0 for generell tenkning. Presis programmering bruker temperature 0.6 og tilstedeværelsesstraff null. Generelle direkte svar bruker temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5; top_k er 20, min_p er 0 og repetisjonsstraff er 1.0. Resonnering med direkte svar har et separat forvalg: temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Høyere tilstedeværelsesstraff kan blande språk eller redusere kvaliteten litt.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekst matematisk arbeid eller programmeringsarbeid; de er ikke separat fastslåtte absolutte utdatagrenser. Definer det forespurte formatet, behold kildeidentifikatorer og kontroller beregninger, uthentede verdier og foreslått kode mot det opprinnelige kildegrunnlaget. Det nyttige utfallet er en fullstendig tekstleveranse der forutsetningene og det underbyggende materialet fortsatt er synlige.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.5-122b-a10b | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00058 / 1K tokener Utdata · Utgående tokener $0.00458 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00058 / 1K tokener Utdata · Utgående tokener $0.00458 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "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/qwen3.5-122b-a10b',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/qwen3.5-122b-a10b',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Bruk metodestiene som vises ovenfor.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B er Qwens mixture-of-experts-modell for syn og språk med totalt 122 milliarder og 10 milliarder aktiverte parametere. Den tar imot tekst, bilder og video til resonnering, programmering og agentoppgaver og returnerer tekst med valgbar tenkning og en opprinnelig kontekst på 262,144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.5-høydepunkter: ekspertmodellen 122B-A10B
Qwen3.5-122B-A10B er en ettertrent syns- og språkmodell for kombinerte oppgaver med tekst og visuelt materiale. Den tar imot tekst, bilder og video og returnerer tekst, inkludert forklaringer, kodeforslag og forespurte dokumentleveranser. Familien bygges gjennom tidlig sammensmelting av tekst og syn og forsterkningslæring på gradvis mer komplekse oppgaver, og utvikler resonnering, programmering, agenter og visuell forståelse. Den beskriver dekning av 201 språk og dialekter, uten at det innebærer lik pålitelighet for alle språk eller fagområder.
En nyttig oppgave kan kombinere en teknisk spesifikasjon, diagrammer og relevant kode og be modellen forklare komponentene og returnere et implementasjonsforslag. En dokumentanalyseoppgave kan be om en sammenligning med underbyggende avsnitts- eller sidereferanser.
Modelloversikt
Den sparsomme mixture-of-experts-modellversjonen har totalt 122 milliarder parametere og aktiverer ti milliarder. Den har 48 språkmodellag, med grupper på tre Gated DeltaNet-ekspertlag etterfulgt av ett ekspertlag med portstyrt oppmerksomhet. Utvikleren oppgir 256 rutede eksperter; modellen velger åtte av dem sammen med én felles ekspert. En synsenkoder og prediksjon av flere tokener inngår i modellen. Totalt og aktivert parameterantall har forskjellige betydninger; det aktiverte tallet er ikke størrelsen på hele modellversjonen.
Dette er en egen utgave, atskilt fra den tette Qwen3.5-27B, den sparsomme Qwen3.5-35B-A3B og senere modellgenerasjoner. Ikke utled en generell rangering av ytelse eller forsinkelse fra størrelsen alene. Den opprinnelige konteksten er på 262,144 tokener, og den dokumenterte utvidelsen når 1,010,000 med konfigurasjon. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for kompleks tenkning, samtidig som minnepress kan kreve et mindre vindu.
Forberede kombinert skriftlig og visuelt kildegrunnlag
Bevar diagrametiketter, diagramakser, tabelloverskrifter og enheter. Angi om resultatet skal forklare en sammenheng, hente ut navngitte felter eller foreslå kode. Når flere kilder er viktige, merker du dem og ber om utdata organisert etter de samme identifikatorene. Skill synlige fakta fra antakelser, slik at en leser kan spore resonneringen til det vedlagte materialet.
For en kodeforespørsel identifiserer du tiltenkt atferd, relevant kildekode og inndata som viser problemet. Be om en redigerbar patch med en forklaring av berørte betingelser og kontroller. For video bevarer du hendelsesrekkefølgen og tidsinformasjonen og spesifiserer spørsmålet fremfor å be om et udifferensiert sammendrag. Modellens tekstresultat er et utkast til en leveranse som skal undersøkes; støtte for visuelle inndata betyr ikke bilde-, video- eller talegenerering.
Tenkning og historikk
Tenkning er aktivert som standard, med resonnering før sluttsvaret. Utviklerens enable_thinking-innstilling kan deaktivere den for direkte svar. De gamle myke bryterne /think og /nothink støttes ikke offisielt. Qwen3.5 anbefaler å beholde sluttsvar uten tenkeinnhold i historiske assistentmeldinger. Dette bør ikke erstattes med senere Qwen-generasjoners alternativer for historisk bevaring bare fordi de deler et familienavn.
Gjør sluttresultatet lett å finne, for eksempel et definert svarfelt, en avgrenset verdi eller en separat kodeleveranse. Et direkte svar må fortsatt kontrolleres, mens lengre resonnering bare er nyttig når stegene underbygger en konklusjon som kan verifiseres.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodeagentarbeid. Definer tillatte handlinger, tilgjengelig kildegrunnlag og fullføringskriterier. Tilkoblede verktøy utfører operasjoner og returnerer resultater; modellen bruker disse tilbakemeldingene i analysen. En foreslått kommando, innhentingsspørring eller patch bør forbli atskilt fra en handling som faktisk er fullført av programmet.
Svært lang kontekst og video
Utviklerens utvidelse bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener, og to foreslås for arbeidsmengder på 524,288 tokener. Statisk skalering kan påvirke ytelsen på kortere tekst, så den bør følge et reelt behov for større kontekst. Inndata, representert visuelt materiale, historikk, resonnering og sluttsvaret bruker alle det konfigurerte sekvensbudsjettet.
Det støttede videoeksemplet bruker som standard to bilder per sekund. For materiale som varer i timer, anbefaler utvikleren å øke prosessorbudsjettet til omtrent 224K videotokener for høyere samplingsfrekvens. Dette er et konfigurasjonsavhengig oppsett, ikke en universell garanti for medievarighet, fullstendig gjenkalling eller tidsstempelpresisjon.
Genereringsveiledning og vesentlige grenser
Beste praksis anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0 for generell tenkning. Presis programmering bruker temperature 0.6 og tilstedeværelsesstraff null. Generelle direkte svar bruker temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5; top_k er 20, min_p er 0 og repetisjonsstraff er 1.0. Resonnering med direkte svar har et separat forvalg: temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Høyere tilstedeværelsesstraff kan blande språk eller redusere kvaliteten litt.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekst matematisk arbeid eller programmeringsarbeid; de er ikke separat fastslåtte absolutte utdatagrenser. Definer det forespurte formatet, behold kildeidentifikatorer og kontroller beregninger, uthentede verdier og foreslått kode mot det opprinnelige kildegrunnlaget. Det nyttige utfallet er en fullstendig tekstleveranse der forutsetningene og det underbyggende materialet fortsatt er synlige.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.5-122b-a10b | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00058 / 1K tokener Utdata · Utgående tokener $0.00458 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00058 / 1K tokener Utdata · Utgående tokener $0.00458 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-122b-a10b', '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/qwen3.5-122b-a10b', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.