Qwen3.5-høydepunkter: en sparsom syns- og språkmodellversjon
Qwen3.5-35B-A3B er en ettertrent syns- og språkmodell som kombinerer tekst-, bilde- og videoforståelse med tekstsvar. Familien er trent med tidlig sammensmelting av tekst og syn og forsterkningslæring på gradvis mer komplekse oppgaver, og støtter resonnering, programmering, agenter og visuell analyse. Den beskriver også dekning av 201 språk og dialekter. Denne dekningen er en familiefunksjon fremfor et løfte om lik kvalitet for alle språk eller oppgaver.
Den konkrete åpne modellversjonen er atskilt fra Qwen3.5-35B-A3B-Base og den senere Qwen3.6-utgivelsen. Utvikleren beskriver også et administrert Flash-tilbud med flere funksjoner; disse grensesnittfunksjonene bør ikke automatisk tilordnes denne åpne modellversjonen. Bevar den forespurte 35B-A3B-identiteten når du sammenligner resultater eller beholder et reproduserbart modellvalg.
Modelloversikt
Mixture-of-experts-modellen har totalt 35 milliarder parametere og aktiverer tre milliarder. Hybridoppsettet med 40 lag gjentar tre Gated DeltaNet-ekspertlag etterfulgt av ett ekspertlag med portstyrt oppmerksomhet. Den har 256 rutede eksperter, med åtte rutede eksperter og én felles ekspert aktive i det dokumenterte oppsettet. En synsenkoder og prediksjon av flere tokener inngår i modellen. Det aktiverte antallet beskriver ikke størrelsen på hele modellversjonen, og arkitekturen alene garanterer ikke forsinkelsen i et bestemt program.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for komplekse tenkeoppgaver, selv om et mindre vindu ville redusere minnepresset. Tekst, representert visuelt materiale, historikk, resonnering og sluttsvaret trenger alle plass i den konfigurerte sekvensen.
Bruke inndata og svarmoduser
For en kodeforespørsel basert på et skjermbilde legger du ved den visuelle referansen, eksisterende kildekontekst, interaksjonskrav og forventet redigerbar leveranse. For et diagram eller dokument beholder du etiketter og enheter og ber om en verditabell med underbyggende dokumentasjon. For en flerspråklig forklaring angir du målspråket og termene som skal bevares.
Tenkning er aktivert som standard og produserer en resonneringsblokk før sluttsvaret. Utviklerens enable_thinking-kontroll kan deaktivere den for et direkte svar. Qwen3.5 støtter ikke offisielt de gamle myke promptbryterne /think og /nothink. Historikkveiledningen beholder sluttsvar uten tenkeinnhold. Dette bør holdes atskilt fra senere Qwen3.6-alternativer for bevaring eller standardbevaringen av historisk resonnering i Qwen3.8.
Agentbruk
Utvikleren dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodelagerorientert arbeid. Definer tillatte operasjoner, relevant kildegrunnlag og endelig leveranse. Programmet kjører verktøy og leverer observasjonene; modellen kan bruke disse tilbakemeldingene til å revidere analysen. En planlagt kommando eller generert patch er ikke en utført handling, og modellnavnet alene fastslår ikke tilgang til oppdatert informasjon eller filer.
Svært lang kontekst
Utviklerens utvidelsesoppsett bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; en faktor på to foreslås for oppgaver på 524,288 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så den bør konfigureres når større kontekst trengs. Organiser langt materiale med dokumentgrenser, kodeidentifikatorer og et tydelig spørsmål fremfor å fylle vinduet med urelatert dokumentasjon.
Genereringsanbefalinger
I beste praksis bruker generell tenkning temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0. 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. For resonnering i direkte modus oppgir beste praksis temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Hold disse oppgavespesifikke forvalgene atskilt; høyere tilstedeværelsesstraff kan føre til språkblanding eller en liten kvalitetsnedgang.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig kompleks matematikk eller programmering. Dette er ikke separat fastslåtte absolutte utdatagrenser. Definer sluttsvarformen uttrykkelig, og kontroller beregninger eller generert kode mot de vedlagte betingelsene.
Video og vesentlige grenser
Det støttede videoeksemplet bruker som standard to bilder per sekund. Utviklerens veiledning for videoer som varer i timer, utvider prosessorbudsjettet til omtrent 224K videotokener for høyere samplingsfrekvens. Dette krever konfigurasjon og bruker kontekst sammen med oppgaven og svaret; det er ikke en ubetinget garanti for varighet eller perfekt hendelsesgjenkalling. Bevar relevante sceneoverganger og liten skrift, og be om et resultat knyttet til synlige observasjoner. Den praktiske verdien er modellversjonens samlede område for tekst og visuelle medier og valgbare svarmodus, med en konkret leveranse som kan vurderes.
", "aboutText": "Qwen3.5-høydepunkter: en sparsom syns- og språkmodellversjon\n\nQwen3.5-35B-A3B er en ettertrent syns- og språkmodell som kombinerer tekst-, bilde- og videoforståelse med tekstsvar. Familien er trent med tidlig sammensmelting av tekst og syn og forsterkningslæring på gradvis mer komplekse oppgaver, og støtter resonnering, programmering, agenter og visuell analyse. Den beskriver også dekning av 201 språk og dialekter. Denne dekningen er en familiefunksjon fremfor et løfte om lik kvalitet for alle språk eller oppgaver.\n\nDen konkrete åpne modellversjonen er atskilt fra Qwen3.5-35B-A3B-Base og den senere Qwen3.6-utgivelsen. Utvikleren beskriver også et administrert Flash-tilbud med flere funksjoner; disse grensesnittfunksjonene bør ikke automatisk tilordnes denne åpne modellversjonen. Bevar den forespurte 35B-A3B-identiteten når du sammenligner resultater eller beholder et reproduserbart modellvalg.\n\nModelloversikt\n\nMixture-of-experts-modellen har totalt 35 milliarder parametere og aktiverer tre milliarder. Hybridoppsettet med 40 lag gjentar tre Gated DeltaNet-ekspertlag etterfulgt av ett ekspertlag med portstyrt oppmerksomhet. Den har 256 rutede eksperter, med åtte rutede eksperter og én felles ekspert aktive i det dokumenterte oppsettet. En synsenkoder og prediksjon av flere tokener inngår i modellen. Det aktiverte antallet beskriver ikke størrelsen på hele modellversjonen, og arkitekturen alene garanterer ikke forsinkelsen i et bestemt program.\n\nDen opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for komplekse tenkeoppgaver, selv om et mindre vindu ville redusere minnepresset. Tekst, representert visuelt materiale, historikk, resonnering og sluttsvaret trenger alle plass i den konfigurerte sekvensen.\n\nBruke inndata og svarmoduser\n\nFor en kodeforespørsel basert på et skjermbilde legger du ved den visuelle referansen, eksisterende kildekontekst, interaksjonskrav og forventet redigerbar leveranse. For et diagram eller dokument beholder du etiketter og enheter og ber om en verditabell med underbyggende dokumentasjon. For en flerspråklig forklaring angir du målspråket og termene som skal bevares.\n\nTenkning er aktivert som standard og produserer en resonneringsblokk før sluttsvaret. Utviklerens enable_thinking-kontroll kan deaktivere den for et direkte svar. Qwen3.5 støtter ikke offisielt de gamle myke promptbryterne /think og /nothink. Historikkveiledningen beholder sluttsvar uten tenkeinnhold. Dette bør holdes atskilt fra senere Qwen3.6-alternativer for bevaring eller standardbevaringen av historisk resonnering i Qwen3.8.\n\nAgentbruk\n\nUtvikleren dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodelagerorientert arbeid. Definer tillatte operasjoner, relevant kildegrunnlag og endelig leveranse. Programmet kjører verktøy og leverer observasjonene; modellen kan bruke disse tilbakemeldingene til å revidere analysen. En planlagt kommando eller generert patch er ikke en utført handling, og modellnavnet alene fastslår ikke tilgang til oppdatert informasjon eller filer.\n\nSvært lang kontekst\n\nUtviklerens utvidelsesoppsett bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; en faktor på to foreslås for oppgaver på 524,288 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så den bør konfigureres når større kontekst trengs. Organiser langt materiale med dokumentgrenser, kodeidentifikatorer og et tydelig spørsmål fremfor å fylle vinduet med urelatert dokumentasjon.\n\nGenereringsanbefalinger\n\nI beste praksis bruker generell tenkning temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0. 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. For resonnering i direkte modus oppgir beste praksis temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Hold disse oppgavespesifikke forvalgene atskilt; høyere tilstedeværelsesstraff kan føre til språkblanding eller en liten kvalitetsnedgang.\n\nAnbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig kompleks matematikk eller programmering. Dette er ikke separat fastslåtte absolutte utdatagrenser. Definer sluttsvarformen uttrykkelig, og kontroller beregninger eller generert kode mot de vedlagte betingelsene.\n\nVideo og vesentlige grenser\n\nDet støttede videoeksemplet bruker som standard to bilder per sekund. Utviklerens veiledning for videoer som varer i timer, utvider prosessorbudsjettet til omtrent 224K videotokener for høyere samplingsfrekvens. Dette krever konfigurasjon og bruker kontekst sammen med oppgaven og svaret; det er ikke en ubetinget garanti for varighet eller perfekt hendelsesgjenkalling. Bevar relevante sceneoverganger og liten skrift, og be om et resultat knyttet til synlige observasjoner. Den praktiske verdien er modellversjonens samlede område for tekst og visuelle medier og valgbare svarmodus, med en konkret leveranse som kan vurderes.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B er Qwens mixture-of-experts-modell for syn og språk med totalt 35 milliarder og 3 milliarder aktiverte parametere. Den tar imot tekst, bilder og video til resonnering, programmering og verktøyassistert arbeid, med moduser for tenkning og direkte svar 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: en sparsom syns- og språkmodellversjon
Qwen3.5-35B-A3B er en ettertrent syns- og språkmodell som kombinerer tekst-, bilde- og videoforståelse med tekstsvar. Familien er trent med tidlig sammensmelting av tekst og syn og forsterkningslæring på gradvis mer komplekse oppgaver, og støtter resonnering, programmering, agenter og visuell analyse. Den beskriver også dekning av 201 språk og dialekter. Denne dekningen er en familiefunksjon fremfor et løfte om lik kvalitet for alle språk eller oppgaver.
Den konkrete åpne modellversjonen er atskilt fra Qwen3.5-35B-A3B-Base og den senere Qwen3.6-utgivelsen. Utvikleren beskriver også et administrert Flash-tilbud med flere funksjoner; disse grensesnittfunksjonene bør ikke automatisk tilordnes denne åpne modellversjonen. Bevar den forespurte 35B-A3B-identiteten når du sammenligner resultater eller beholder et reproduserbart modellvalg.
Modelloversikt
Mixture-of-experts-modellen har totalt 35 milliarder parametere og aktiverer tre milliarder. Hybridoppsettet med 40 lag gjentar tre Gated DeltaNet-ekspertlag etterfulgt av ett ekspertlag med portstyrt oppmerksomhet. Den har 256 rutede eksperter, med åtte rutede eksperter og én felles ekspert aktive i det dokumenterte oppsettet. En synsenkoder og prediksjon av flere tokener inngår i modellen. Det aktiverte antallet beskriver ikke størrelsen på hele modellversjonen, og arkitekturen alene garanterer ikke forsinkelsen i et bestemt program.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for komplekse tenkeoppgaver, selv om et mindre vindu ville redusere minnepresset. Tekst, representert visuelt materiale, historikk, resonnering og sluttsvaret trenger alle plass i den konfigurerte sekvensen.
Bruke inndata og svarmoduser
For en kodeforespørsel basert på et skjermbilde legger du ved den visuelle referansen, eksisterende kildekontekst, interaksjonskrav og forventet redigerbar leveranse. For et diagram eller dokument beholder du etiketter og enheter og ber om en verditabell med underbyggende dokumentasjon. For en flerspråklig forklaring angir du målspråket og termene som skal bevares.
Tenkning er aktivert som standard og produserer en resonneringsblokk før sluttsvaret. Utviklerens enable_thinking-kontroll kan deaktivere den for et direkte svar. Qwen3.5 støtter ikke offisielt de gamle myke promptbryterne /think og /nothink. Historikkveiledningen beholder sluttsvar uten tenkeinnhold. Dette bør holdes atskilt fra senere Qwen3.6-alternativer for bevaring eller standardbevaringen av historisk resonnering i Qwen3.8.
Agentbruk
Utvikleren dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodelagerorientert arbeid. Definer tillatte operasjoner, relevant kildegrunnlag og endelig leveranse. Programmet kjører verktøy og leverer observasjonene; modellen kan bruke disse tilbakemeldingene til å revidere analysen. En planlagt kommando eller generert patch er ikke en utført handling, og modellnavnet alene fastslår ikke tilgang til oppdatert informasjon eller filer.
Svært lang kontekst
Utviklerens utvidelsesoppsett bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; en faktor på to foreslås for oppgaver på 524,288 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så den bør konfigureres når større kontekst trengs. Organiser langt materiale med dokumentgrenser, kodeidentifikatorer og et tydelig spørsmål fremfor å fylle vinduet med urelatert dokumentasjon.
Genereringsanbefalinger
I beste praksis bruker generell tenkning temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0. 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. For resonnering i direkte modus oppgir beste praksis temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Hold disse oppgavespesifikke forvalgene atskilt; høyere tilstedeværelsesstraff kan føre til språkblanding eller en liten kvalitetsnedgang.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig kompleks matematikk eller programmering. Dette er ikke separat fastslåtte absolutte utdatagrenser. Definer sluttsvarformen uttrykkelig, og kontroller beregninger eller generert kode mot de vedlagte betingelsene.
Video og vesentlige grenser
Det støttede videoeksemplet bruker som standard to bilder per sekund. Utviklerens veiledning for videoer som varer i timer, utvider prosessorbudsjettet til omtrent 224K videotokener for høyere samplingsfrekvens. Dette krever konfigurasjon og bruker kontekst sammen med oppgaven og svaret; det er ikke en ubetinget garanti for varighet eller perfekt hendelsesgjenkalling. Bevar relevante sceneoverganger og liten skrift, og be om et resultat knyttet til synlige observasjoner. Den praktiske verdien er modellversjonens samlede område for tekst og visuelle medier og valgbare svarmodus, med en konkret leveranse som kan vurderes.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokener Utdata · Utgående tokener $0.00366 / 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 $0.00046 / 1K tokener Utdata · Utgående tokener $0.00366 / 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/qwen3.5-35b-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/qwen3.5-35b-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/qwen3.5-35b-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 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/qwen3.5-35b-a3b
Bruk metodestiene som vises ovenfor.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B er Qwens mixture-of-experts-modell for syn og språk med totalt 35 milliarder og 3 milliarder aktiverte parametere. Den tar imot tekst, bilder og video til resonnering, programmering og verktøyassistert arbeid, med moduser for tenkning og direkte svar 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: en sparsom syns- og språkmodellversjon
Qwen3.5-35B-A3B er en ettertrent syns- og språkmodell som kombinerer tekst-, bilde- og videoforståelse med tekstsvar. Familien er trent med tidlig sammensmelting av tekst og syn og forsterkningslæring på gradvis mer komplekse oppgaver, og støtter resonnering, programmering, agenter og visuell analyse. Den beskriver også dekning av 201 språk og dialekter. Denne dekningen er en familiefunksjon fremfor et løfte om lik kvalitet for alle språk eller oppgaver.
Den konkrete åpne modellversjonen er atskilt fra Qwen3.5-35B-A3B-Base og den senere Qwen3.6-utgivelsen. Utvikleren beskriver også et administrert Flash-tilbud med flere funksjoner; disse grensesnittfunksjonene bør ikke automatisk tilordnes denne åpne modellversjonen. Bevar den forespurte 35B-A3B-identiteten når du sammenligner resultater eller beholder et reproduserbart modellvalg.
Modelloversikt
Mixture-of-experts-modellen har totalt 35 milliarder parametere og aktiverer tre milliarder. Hybridoppsettet med 40 lag gjentar tre Gated DeltaNet-ekspertlag etterfulgt av ett ekspertlag med portstyrt oppmerksomhet. Den har 256 rutede eksperter, med åtte rutede eksperter og én felles ekspert aktive i det dokumenterte oppsettet. En synsenkoder og prediksjon av flere tokener inngår i modellen. Det aktiverte antallet beskriver ikke størrelsen på hele modellversjonen, og arkitekturen alene garanterer ikke forsinkelsen i et bestemt program.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for komplekse tenkeoppgaver, selv om et mindre vindu ville redusere minnepresset. Tekst, representert visuelt materiale, historikk, resonnering og sluttsvaret trenger alle plass i den konfigurerte sekvensen.
Bruke inndata og svarmoduser
For en kodeforespørsel basert på et skjermbilde legger du ved den visuelle referansen, eksisterende kildekontekst, interaksjonskrav og forventet redigerbar leveranse. For et diagram eller dokument beholder du etiketter og enheter og ber om en verditabell med underbyggende dokumentasjon. For en flerspråklig forklaring angir du målspråket og termene som skal bevares.
Tenkning er aktivert som standard og produserer en resonneringsblokk før sluttsvaret. Utviklerens enable_thinking-kontroll kan deaktivere den for et direkte svar. Qwen3.5 støtter ikke offisielt de gamle myke promptbryterne /think og /nothink. Historikkveiledningen beholder sluttsvar uten tenkeinnhold. Dette bør holdes atskilt fra senere Qwen3.6-alternativer for bevaring eller standardbevaringen av historisk resonnering i Qwen3.8.
Agentbruk
Utvikleren dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodelagerorientert arbeid. Definer tillatte operasjoner, relevant kildegrunnlag og endelig leveranse. Programmet kjører verktøy og leverer observasjonene; modellen kan bruke disse tilbakemeldingene til å revidere analysen. En planlagt kommando eller generert patch er ikke en utført handling, og modellnavnet alene fastslår ikke tilgang til oppdatert informasjon eller filer.
Svært lang kontekst
Utviklerens utvidelsesoppsett bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; en faktor på to foreslås for oppgaver på 524,288 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så den bør konfigureres når større kontekst trengs. Organiser langt materiale med dokumentgrenser, kodeidentifikatorer og et tydelig spørsmål fremfor å fylle vinduet med urelatert dokumentasjon.
Genereringsanbefalinger
I beste praksis bruker generell tenkning temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0. 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. For resonnering i direkte modus oppgir beste praksis temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Hold disse oppgavespesifikke forvalgene atskilt; høyere tilstedeværelsesstraff kan føre til språkblanding eller en liten kvalitetsnedgang.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig kompleks matematikk eller programmering. Dette er ikke separat fastslåtte absolutte utdatagrenser. Definer sluttsvarformen uttrykkelig, og kontroller beregninger eller generert kode mot de vedlagte betingelsene.
Video og vesentlige grenser
Det støttede videoeksemplet bruker som standard to bilder per sekund. Utviklerens veiledning for videoer som varer i timer, utvider prosessorbudsjettet til omtrent 224K videotokener for høyere samplingsfrekvens. Dette krever konfigurasjon og bruker kontekst sammen med oppgaven og svaret; det er ikke en ubetinget garanti for varighet eller perfekt hendelsesgjenkalling. Bevar relevante sceneoverganger og liten skrift, og be om et resultat knyttet til synlige observasjoner. Den praktiske verdien er modellversjonens samlede område for tekst og visuelle medier og valgbare svarmodus, med en konkret leveranse som kan vurderes.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokener Utdata · Utgående tokener $0.00366 / 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 $0.00046 / 1K tokener Utdata · Utgående tokener $0.00366 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-35b-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/qwen3.5-35b-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 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/qwen3.5-35b-a3b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.