Qwen3.5-høydepunkter i den tette 9B-utgaven
Qwen3.5-9B er den ettertrente, tette syns- og språkmodellversjonen med 9 milliarder parametere. Den tar imot tekst, bilder og video og returnerer tekst. Familien samler resonnering, programmering, agenter og visuell forståelse gjennom tidlig sammensmelting av tekstbasert og visuell trening, forsterkningslæring på gradvis mer komplekse oppgaver og støtte for 201 språk og dialekter. Denne språkdekningen er en familiefunksjon, ikke en garanti for lik pålitelighet for alle språk eller emner.
For flerspråklig dokumentarbeid angir du målspråket, bevarer faguttrykk og ber resultatet identifisere kildefeltene eller avsnittene det bruker. For et visuelt spørsmål legger du ved et lesbart bilde og en presis oppgave. For en liten kodeforespørsel oppgir du inndata, ønsket atferd og relevant kode. Modellen genererer ikke bilder eller videoer når den analyserer visuelt materiale.
Modelloversikt
Denne konkrete 9B-modellen er tett, med 32 språkmodellag og en synsenkoder. Hybridoppsettet gjentar tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk. Prediksjon av flere tokener inngår i treningen. Familien inneholder også sparsomme ekspertmodeller, men beskrivelsene deres av totalt kontra aktivert parameterantall bør ikke anvendes på denne tette utgaven.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Modellens konfigurasjon og numeriske størrelse bør holdes atskilt fra Base-modellversjonen, andre Qwen3.5-størrelser og kvantiserte bygg. Et lavere parameterantall identifiserer utgaven; det fastslår ikke i seg selv en universell svartid eller kvalitetsrangering. For komplekse tenkeoppgaver anbefaler Qwen å beholde en konfigurert kontekst på minst 128K tokener der det er mulig.
Inndata og svarmoduser
Utvikleren viser tekstbaserte spørsmål og spørsmål om bilder og video. Gi modellen et dokumentspørsmål med den relevante siden og forventede felter, eller et videospørsmål med hendelsen og tidsintervallet som er viktig. Bevar etiketter, enheter og bilderekkefølge. Be om et resultat som kan sammenlignes med kilden, for eksempel en tabell med uthentede verdier eller en forklaring som viser til synlige observasjoner.
Tenkning er aktivert som standard. enable_thinking kan deaktivere resonnering for et direkte svar, mens de eldre myke promptbryterne /think og /nothink ikke støttes offisielt. Bruk utviklerens mal og hold resonnering atskilt fra slutttekst når grensesnittet tilbyr begge deler. Historikkanbefalingen for Qwen3.5 er å beholde sluttsvar uten tenkeinnholdet; nyere atferd for historisk bevaring bør ikke importeres til denne utgivelsen.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent, inkludert konfigurerte eller MCP-tilkoblede verktøy, og Qwen Code for kodeagentarbeid. Angi tillatte verktøy og det observerbare resultatet. Et tilkoblet verktøy kan gi en beregning, kildeinnhenting eller faktisk tilbakemelding fra utførelse; modellen kan deretter bruke denne informasjonen i svaret. Verktøyene og de eksterne handlingene tilhører programmet, så modellnavnet alene fastslår ikke tilgang eller utførelse.
Svært lang tekst
Den dokumenterte utvidelsen bruker YaRN med denne modellversjonens egne posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; for 524,288 tokener foreslår utvikleren en faktor på to. Statisk skalering kan påvirke ytelsen på kortere tekst, så den bør følge det faktiske behovet for lengre kontekst. Inndata, visuell representasjon, historikk, resonnering og endelige utdata deler sekvensbudsjettet. Organiser langt materiale etter dokument- eller kodeidentifikator, og la det være plass til den forespurte leveransen.
Genereringsanbefalinger
Kortets beste praksis skiller mellom flere forvalg. Generell tenkning bruker 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 resonneringsoppgaver med direkte svar anbefaler beste praksis i stedet temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Dette er oppgavespesifikke oppsett, ikke verdier som skal blandes vilkårlig. Høyere tilstedeværelsesstraff kan føre til språkblanding eller en liten kvalitetsnedgang.
Qwen anbefaler en genereringsramme på 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekse matematiske spørsmål eller programmeringsspørsmål. Dette er anbefalinger fremfor uavhengige absolutte utdatagrenser. Angi svarformatet, for eksempel et avgrenset matematisk resultat eller et svarfelt, og verifiser konklusjonen mot kilden.
Videodetaljer og vesentlige grenser
Utviklerens videoeksempel bruker som standard to bilder per sekund i den støttede arbeidsflyten. Veiledningen for materiale som varer i timer, utvider videoprosessorens budsjett til omtrent 224K videotokener for høyere samplingsfrekvens. Dette er konfigurasjonsavhengige eksempler, ikke en universell garanti for varighet eller hendelsestidspunkt. Hold liten skrift og viktige sceneoverganger lesbare, og kontroller uthentet tekst, beregninger og generert kode før du bruker resultatet. Den praktiske verdien til 9B-utgaven er dens dokumenterte samlede oppgaveområde for tekst og visuelle medier og kontrollerbare svarmodus, med den nøyaktige tette identiteten bevart.
", "aboutText": "Qwen3.5-høydepunkter i den tette 9B-utgaven\n\nQwen3.5-9B er den ettertrente, tette syns- og språkmodellversjonen med 9 milliarder parametere. Den tar imot tekst, bilder og video og returnerer tekst. Familien samler resonnering, programmering, agenter og visuell forståelse gjennom tidlig sammensmelting av tekstbasert og visuell trening, forsterkningslæring på gradvis mer komplekse oppgaver og støtte for 201 språk og dialekter. Denne språkdekningen er en familiefunksjon, ikke en garanti for lik pålitelighet for alle språk eller emner.\n\nFor flerspråklig dokumentarbeid angir du målspråket, bevarer faguttrykk og ber resultatet identifisere kildefeltene eller avsnittene det bruker. For et visuelt spørsmål legger du ved et lesbart bilde og en presis oppgave. For en liten kodeforespørsel oppgir du inndata, ønsket atferd og relevant kode. Modellen genererer ikke bilder eller videoer når den analyserer visuelt materiale.\n\nModelloversikt\n\nDenne konkrete 9B-modellen er tett, med 32 språkmodellag og en synsenkoder. Hybridoppsettet gjentar tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk. Prediksjon av flere tokener inngår i treningen. Familien inneholder også sparsomme ekspertmodeller, men beskrivelsene deres av totalt kontra aktivert parameterantall bør ikke anvendes på denne tette utgaven.\n\nDen opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Modellens konfigurasjon og numeriske størrelse bør holdes atskilt fra Base-modellversjonen, andre Qwen3.5-størrelser og kvantiserte bygg. Et lavere parameterantall identifiserer utgaven; det fastslår ikke i seg selv en universell svartid eller kvalitetsrangering. For komplekse tenkeoppgaver anbefaler Qwen å beholde en konfigurert kontekst på minst 128K tokener der det er mulig.\n\nInndata og svarmoduser\n\nUtvikleren viser tekstbaserte spørsmål og spørsmål om bilder og video. Gi modellen et dokumentspørsmål med den relevante siden og forventede felter, eller et videospørsmål med hendelsen og tidsintervallet som er viktig. Bevar etiketter, enheter og bilderekkefølge. Be om et resultat som kan sammenlignes med kilden, for eksempel en tabell med uthentede verdier eller en forklaring som viser til synlige observasjoner.\n\nTenkning er aktivert som standard. enable_thinking kan deaktivere resonnering for et direkte svar, mens de eldre myke promptbryterne /think og /nothink ikke støttes offisielt. Bruk utviklerens mal og hold resonnering atskilt fra slutttekst når grensesnittet tilbyr begge deler. Historikkanbefalingen for Qwen3.5 er å beholde sluttsvar uten tenkeinnholdet; nyere atferd for historisk bevaring bør ikke importeres til denne utgivelsen.\n\nAgentbruk\n\nQwen dokumenterer verktøykall og anbefaler Qwen-Agent, inkludert konfigurerte eller MCP-tilkoblede verktøy, og Qwen Code for kodeagentarbeid. Angi tillatte verktøy og det observerbare resultatet. Et tilkoblet verktøy kan gi en beregning, kildeinnhenting eller faktisk tilbakemelding fra utførelse; modellen kan deretter bruke denne informasjonen i svaret. Verktøyene og de eksterne handlingene tilhører programmet, så modellnavnet alene fastslår ikke tilgang eller utførelse.\n\nSvært lang tekst\n\nDen dokumenterte utvidelsen bruker YaRN med denne modellversjonens egne posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; for 524,288 tokener foreslår utvikleren en faktor på to. Statisk skalering kan påvirke ytelsen på kortere tekst, så den bør følge det faktiske behovet for lengre kontekst. Inndata, visuell representasjon, historikk, resonnering og endelige utdata deler sekvensbudsjettet. Organiser langt materiale etter dokument- eller kodeidentifikator, og la det være plass til den forespurte leveransen.\n\nGenereringsanbefalinger\n\nKortets beste praksis skiller mellom flere forvalg. Generell tenkning bruker 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 resonneringsoppgaver med direkte svar anbefaler beste praksis i stedet temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Dette er oppgavespesifikke oppsett, ikke verdier som skal blandes vilkårlig. Høyere tilstedeværelsesstraff kan føre til språkblanding eller en liten kvalitetsnedgang.\n\nQwen anbefaler en genereringsramme på 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekse matematiske spørsmål eller programmeringsspørsmål. Dette er anbefalinger fremfor uavhengige absolutte utdatagrenser. Angi svarformatet, for eksempel et avgrenset matematisk resultat eller et svarfelt, og verifiser konklusjonen mot kilden.\n\nVideodetaljer og vesentlige grenser\n\nUtviklerens videoeksempel bruker som standard to bilder per sekund i den støttede arbeidsflyten. Veiledningen for materiale som varer i timer, utvider videoprosessorens budsjett til omtrent 224K videotokener for høyere samplingsfrekvens. Dette er konfigurasjonsavhengige eksempler, ikke en universell garanti for varighet eller hendelsestidspunkt. Hold liten skrift og viktige sceneoverganger lesbare, og kontroller uthentet tekst, beregninger og generert kode før du bruker resultatet. Den praktiske verdien til 9B-utgaven er dens dokumenterte samlede oppgaveområde for tekst og visuelle medier og kontrollerbare svarmodus, med den nøyaktige tette identiteten bevart.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B er Qwens tette syns- og språkmodell med 9 milliarder parametere for tekst, bilder og video, med tekst som utdata. Den kombinerer resonnering, programmering, verktøykall og flerspråklig arbeid, med valgbar tenkning og en opprinnelig kontekst på 262,144 tokener som kan utvides gjennom konfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.5-høydepunkter i den tette 9B-utgaven
Qwen3.5-9B er den ettertrente, tette syns- og språkmodellversjonen med 9 milliarder parametere. Den tar imot tekst, bilder og video og returnerer tekst. Familien samler resonnering, programmering, agenter og visuell forståelse gjennom tidlig sammensmelting av tekstbasert og visuell trening, forsterkningslæring på gradvis mer komplekse oppgaver og støtte for 201 språk og dialekter. Denne språkdekningen er en familiefunksjon, ikke en garanti for lik pålitelighet for alle språk eller emner.
For flerspråklig dokumentarbeid angir du målspråket, bevarer faguttrykk og ber resultatet identifisere kildefeltene eller avsnittene det bruker. For et visuelt spørsmål legger du ved et lesbart bilde og en presis oppgave. For en liten kodeforespørsel oppgir du inndata, ønsket atferd og relevant kode. Modellen genererer ikke bilder eller videoer når den analyserer visuelt materiale.
Modelloversikt
Denne konkrete 9B-modellen er tett, med 32 språkmodellag og en synsenkoder. Hybridoppsettet gjentar tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk. Prediksjon av flere tokener inngår i treningen. Familien inneholder også sparsomme ekspertmodeller, men beskrivelsene deres av totalt kontra aktivert parameterantall bør ikke anvendes på denne tette utgaven.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Modellens konfigurasjon og numeriske størrelse bør holdes atskilt fra Base-modellversjonen, andre Qwen3.5-størrelser og kvantiserte bygg. Et lavere parameterantall identifiserer utgaven; det fastslår ikke i seg selv en universell svartid eller kvalitetsrangering. For komplekse tenkeoppgaver anbefaler Qwen å beholde en konfigurert kontekst på minst 128K tokener der det er mulig.
Inndata og svarmoduser
Utvikleren viser tekstbaserte spørsmål og spørsmål om bilder og video. Gi modellen et dokumentspørsmål med den relevante siden og forventede felter, eller et videospørsmål med hendelsen og tidsintervallet som er viktig. Bevar etiketter, enheter og bilderekkefølge. Be om et resultat som kan sammenlignes med kilden, for eksempel en tabell med uthentede verdier eller en forklaring som viser til synlige observasjoner.
Tenkning er aktivert som standard. enable_thinking kan deaktivere resonnering for et direkte svar, mens de eldre myke promptbryterne /think og /nothink ikke støttes offisielt. Bruk utviklerens mal og hold resonnering atskilt fra slutttekst når grensesnittet tilbyr begge deler. Historikkanbefalingen for Qwen3.5 er å beholde sluttsvar uten tenkeinnholdet; nyere atferd for historisk bevaring bør ikke importeres til denne utgivelsen.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent, inkludert konfigurerte eller MCP-tilkoblede verktøy, og Qwen Code for kodeagentarbeid. Angi tillatte verktøy og det observerbare resultatet. Et tilkoblet verktøy kan gi en beregning, kildeinnhenting eller faktisk tilbakemelding fra utførelse; modellen kan deretter bruke denne informasjonen i svaret. Verktøyene og de eksterne handlingene tilhører programmet, så modellnavnet alene fastslår ikke tilgang eller utførelse.
Svært lang tekst
Den dokumenterte utvidelsen bruker YaRN med denne modellversjonens egne posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; for 524,288 tokener foreslår utvikleren en faktor på to. Statisk skalering kan påvirke ytelsen på kortere tekst, så den bør følge det faktiske behovet for lengre kontekst. Inndata, visuell representasjon, historikk, resonnering og endelige utdata deler sekvensbudsjettet. Organiser langt materiale etter dokument- eller kodeidentifikator, og la det være plass til den forespurte leveransen.
Genereringsanbefalinger
Kortets beste praksis skiller mellom flere forvalg. Generell tenkning bruker 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 resonneringsoppgaver med direkte svar anbefaler beste praksis i stedet temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Dette er oppgavespesifikke oppsett, ikke verdier som skal blandes vilkårlig. Høyere tilstedeværelsesstraff kan føre til språkblanding eller en liten kvalitetsnedgang.
Qwen anbefaler en genereringsramme på 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekse matematiske spørsmål eller programmeringsspørsmål. Dette er anbefalinger fremfor uavhengige absolutte utdatagrenser. Angi svarformatet, for eksempel et avgrenset matematisk resultat eller et svarfelt, og verifiser konklusjonen mot kilden.
Videodetaljer og vesentlige grenser
Utviklerens videoeksempel bruker som standard to bilder per sekund i den støttede arbeidsflyten. Veiledningen for materiale som varer i timer, utvider videoprosessorens budsjett til omtrent 224K videotokener for høyere samplingsfrekvens. Dette er konfigurasjonsavhengige eksempler, ikke en universell garanti for varighet eller hendelsestidspunkt. Hold liten skrift og viktige sceneoverganger lesbare, og kontroller uthentet tekst, beregninger og generert kode før du bruker resultatet. Den praktiske verdien til 9B-utgaven er dens dokumenterte samlede oppgaveområde for tekst og visuelle medier og kontrollerbare svarmodus, med den nøyaktige tette identiteten bevart.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.5-9b | 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0003 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0003 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Bruk metodestiene som vises ovenfor.
qwen/qwen3.5-9bQwen3.5-9B er Qwens tette syns- og språkmodell med 9 milliarder parametere for tekst, bilder og video, med tekst som utdata. Den kombinerer resonnering, programmering, verktøykall og flerspråklig arbeid, med valgbar tenkning og en opprinnelig kontekst på 262,144 tokener som kan utvides gjennom konfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.5-høydepunkter i den tette 9B-utgaven
Qwen3.5-9B er den ettertrente, tette syns- og språkmodellversjonen med 9 milliarder parametere. Den tar imot tekst, bilder og video og returnerer tekst. Familien samler resonnering, programmering, agenter og visuell forståelse gjennom tidlig sammensmelting av tekstbasert og visuell trening, forsterkningslæring på gradvis mer komplekse oppgaver og støtte for 201 språk og dialekter. Denne språkdekningen er en familiefunksjon, ikke en garanti for lik pålitelighet for alle språk eller emner.
For flerspråklig dokumentarbeid angir du målspråket, bevarer faguttrykk og ber resultatet identifisere kildefeltene eller avsnittene det bruker. For et visuelt spørsmål legger du ved et lesbart bilde og en presis oppgave. For en liten kodeforespørsel oppgir du inndata, ønsket atferd og relevant kode. Modellen genererer ikke bilder eller videoer når den analyserer visuelt materiale.
Modelloversikt
Denne konkrete 9B-modellen er tett, med 32 språkmodellag og en synsenkoder. Hybridoppsettet gjentar tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk. Prediksjon av flere tokener inngår i treningen. Familien inneholder også sparsomme ekspertmodeller, men beskrivelsene deres av totalt kontra aktivert parameterantall bør ikke anvendes på denne tette utgaven.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Modellens konfigurasjon og numeriske størrelse bør holdes atskilt fra Base-modellversjonen, andre Qwen3.5-størrelser og kvantiserte bygg. Et lavere parameterantall identifiserer utgaven; det fastslår ikke i seg selv en universell svartid eller kvalitetsrangering. For komplekse tenkeoppgaver anbefaler Qwen å beholde en konfigurert kontekst på minst 128K tokener der det er mulig.
Inndata og svarmoduser
Utvikleren viser tekstbaserte spørsmål og spørsmål om bilder og video. Gi modellen et dokumentspørsmål med den relevante siden og forventede felter, eller et videospørsmål med hendelsen og tidsintervallet som er viktig. Bevar etiketter, enheter og bilderekkefølge. Be om et resultat som kan sammenlignes med kilden, for eksempel en tabell med uthentede verdier eller en forklaring som viser til synlige observasjoner.
Tenkning er aktivert som standard. enable_thinking kan deaktivere resonnering for et direkte svar, mens de eldre myke promptbryterne /think og /nothink ikke støttes offisielt. Bruk utviklerens mal og hold resonnering atskilt fra slutttekst når grensesnittet tilbyr begge deler. Historikkanbefalingen for Qwen3.5 er å beholde sluttsvar uten tenkeinnholdet; nyere atferd for historisk bevaring bør ikke importeres til denne utgivelsen.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent, inkludert konfigurerte eller MCP-tilkoblede verktøy, og Qwen Code for kodeagentarbeid. Angi tillatte verktøy og det observerbare resultatet. Et tilkoblet verktøy kan gi en beregning, kildeinnhenting eller faktisk tilbakemelding fra utførelse; modellen kan deretter bruke denne informasjonen i svaret. Verktøyene og de eksterne handlingene tilhører programmet, så modellnavnet alene fastslår ikke tilgang eller utførelse.
Svært lang tekst
Den dokumenterte utvidelsen bruker YaRN med denne modellversjonens egne posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; for 524,288 tokener foreslår utvikleren en faktor på to. Statisk skalering kan påvirke ytelsen på kortere tekst, så den bør følge det faktiske behovet for lengre kontekst. Inndata, visuell representasjon, historikk, resonnering og endelige utdata deler sekvensbudsjettet. Organiser langt materiale etter dokument- eller kodeidentifikator, og la det være plass til den forespurte leveransen.
Genereringsanbefalinger
Kortets beste praksis skiller mellom flere forvalg. Generell tenkning bruker 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 resonneringsoppgaver med direkte svar anbefaler beste praksis i stedet temperature 1.0, top_p 1.0, top_k 40 og tilstedeværelsesstraff 2.0. Dette er oppgavespesifikke oppsett, ikke verdier som skal blandes vilkårlig. Høyere tilstedeværelsesstraff kan føre til språkblanding eller en liten kvalitetsnedgang.
Qwen anbefaler en genereringsramme på 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekse matematiske spørsmål eller programmeringsspørsmål. Dette er anbefalinger fremfor uavhengige absolutte utdatagrenser. Angi svarformatet, for eksempel et avgrenset matematisk resultat eller et svarfelt, og verifiser konklusjonen mot kilden.
Videodetaljer og vesentlige grenser
Utviklerens videoeksempel bruker som standard to bilder per sekund i den støttede arbeidsflyten. Veiledningen for materiale som varer i timer, utvider videoprosessorens budsjett til omtrent 224K videotokener for høyere samplingsfrekvens. Dette er konfigurasjonsavhengige eksempler, ikke en universell garanti for varighet eller hendelsestidspunkt. Hold liten skrift og viktige sceneoverganger lesbare, og kontroller uthentet tekst, beregninger og generert kode før du bruker resultatet. Den praktiske verdien til 9B-utgaven er dens dokumenterte samlede oppgaveområde for tekst og visuelle medier og kontrollerbare svarmodus, med den nøyaktige tette identiteten bevart.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.5-9b | 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0003 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0003 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.