Qwen3.6-høydepunkter i en tett 27B-modell
Qwen3.6-27B er en tett syns- og språkmodell utviklet fra Qwen3.5-27B. Utvikleren fremhever sterkere kodeagenter og STEM-resonnering, med forbedringer i romlig forståelse, objektlokalisering og -deteksjon, dokument-OCR, videoforståelse og visuelle agenter. Den tar imot tekst, bilder og video og genererer tekst. Denne konkrete tette utgaven er atskilt fra mixture-of-experts-modellen Qwen3.6-35B-A3B, selv om de deler generasjon og oppgavefokus.
For et STEM-diagram legger du ved hele oppgaveteksten og bevarer etiketter og enheter. Be modellen skille direkte synlige fakta fra antakelser og deretter returnere en forklaring med et tydelig sluttsvar. For et dokument angir du feltene eller påstandene som skal hentes ut, og ber om underbyggende sidereferanser. For en kodeagent legger du ved relevante moduler, ønsket atferd og faktiske tilbakemeldinger fra den tilkoblede arbeidsflyten. Disse eksemplene anvender de dokumenterte funksjonene; de er ikke påstander om nøyaktig uthenting eller vellykket utførelse.
Modelloversikt
Modellen har 27 milliarder parametere og 64 språkmodellag. Hybridoppsettet gjentar tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk fremfor sparsomme eksperter. En synsenkoder gir bilde- og videoforståelse, og prediksjon av flere tokener inngår i treningen. Disse arkitekturfaktaene identifiserer modellversjonen uten å rangere kvaliteten eller svartiden i alle programmer.
Den opprinnelige konteksten er på 262,144 tokener og kan utvides til 1,010,000 gjennom konfigurasjon. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for kompleks resonnering, samtidig som minnepress kan kreve en lavere innstilling. Representerte bilder og video, tekst, historiske meldinger, tenkning og svaret bruker alle plass i den konfigurerte sekvensen.
Inndata og moduser
Utvikleren viser spørsmål om tekst, bilder og video. Tenkning er aktivert som standard, med en resonneringsblokk før det endelige svaret. enable_thinking kan deaktivere denne atferden for et direkte svar. Qwen3.6 støtter ikke offisielt de eldre promptbryterne /think og /nothink. Gjør det påkrevde resultatet lett å identifisere etter forklaringen, for eksempel en beregnet verdi, en tabell med uthentede felter eller en redigerbar kodepatch.
Videoeksemplet bruker som standard to bilder per sekund i den støttede arbeidsflyten. For videoer som varer i timer, anbefaler utvikleren å øke prosessorbudsjettet for å tillate høyere samplingsfrekvens, med et eksempel som tilsvarer omtrent 224K videotokener. Flere visuelle detaljer krever mer av kontekst- og behandlingsbudsjettet. Disse innstillingene fastslår ikke en ubetinget videovarighet eller presise tidsstempler for hendelser i alle grensesnitt.
Historisk tenkning
Standardmalen beholder tenkning knyttet til den siste brukermeldingen. Alternativet preserve_thinking kan i tillegg beholde resonnering fra historiske meldinger; utviklerens uttrykkelige eksempel aktiverer det med true. Dette kan støtte iterativ utvikling der tidligere beslutninger fortsatt er relevante etter nye verktøytilbakemeldinger. Det skiller seg fra den dokumenterte standardatferden for bevaring i Qwen3.8 og fra historikkveiledningen for Qwen3.5 som kun beholder sluttsvar. Følg det konkrete modellformatet fremfor å erstatte det med en annen generasjons historikkregler uten å si fra.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodeagentarbeid. Angi tillatte handlinger og observerbare fullføringskriterier. Et verktøy kan undersøke vedlagt materiale eller returnere et faktisk kontrollresultat, og modellen kan deretter revidere analysen. Modellen får ikke tilgang til et filsystem, oppdaterte kilder eller et kjøremiljø bare gjennom agentspesialiseringen.
Svært lange inndata
Utvidelsesoppsettet bruker YaRN med denne modellens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; en faktor på to foreslås for arbeidsmengder på 524,288 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så den bør følge det faktiske behovet for lang kontekst. Hold sider, funksjoner og dokumentgrenser merket, og be deretter om konklusjoner som identifiserer det underbyggende kildegrunnlaget.
Genereringsanbefalinger og grenser
Kortets beste praksis anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 0 og repetisjonsstraff 1.0 for generell tenkning. For presis programmering blir temperature 0.6. For direkte svar er temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5, med øvrige verdier uendret. Utvikleren advarer om at høyere tilstedeværelsesstraff kan blande språk eller redusere kvaliteten litt.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig vanskelige matematiske oppgaver eller programmeringsoppgaver. De er ikke separat fastslåtte absolutte grenser. Definer et sluttsvarformat, og kontroller uthentet tekst, romlige konklusjoner, beregninger og foreslått kode mot kilden. En stor kontekst og bevart resonnering bidrar til å føre kildegrunnlaget gjennom oppgaven; leveransen som kan vurderes, er fortsatt det nyttige resultatet.
", "aboutText": "Qwen3.6-høydepunkter i en tett 27B-modell\n\nQwen3.6-27B er en tett syns- og språkmodell utviklet fra Qwen3.5-27B. Utvikleren fremhever sterkere kodeagenter og STEM-resonnering, med forbedringer i romlig forståelse, objektlokalisering og -deteksjon, dokument-OCR, videoforståelse og visuelle agenter. Den tar imot tekst, bilder og video og genererer tekst. Denne konkrete tette utgaven er atskilt fra mixture-of-experts-modellen Qwen3.6-35B-A3B, selv om de deler generasjon og oppgavefokus.\n\nFor et STEM-diagram legger du ved hele oppgaveteksten og bevarer etiketter og enheter. Be modellen skille direkte synlige fakta fra antakelser og deretter returnere en forklaring med et tydelig sluttsvar. For et dokument angir du feltene eller påstandene som skal hentes ut, og ber om underbyggende sidereferanser. For en kodeagent legger du ved relevante moduler, ønsket atferd og faktiske tilbakemeldinger fra den tilkoblede arbeidsflyten. Disse eksemplene anvender de dokumenterte funksjonene; de er ikke påstander om nøyaktig uthenting eller vellykket utførelse.\n\nModelloversikt\n\nModellen har 27 milliarder parametere og 64 språkmodellag. Hybridoppsettet gjentar tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk fremfor sparsomme eksperter. En synsenkoder gir bilde- og videoforståelse, og prediksjon av flere tokener inngår i treningen. Disse arkitekturfaktaene identifiserer modellversjonen uten å rangere kvaliteten eller svartiden i alle programmer.\n\nDen opprinnelige konteksten er på 262,144 tokener og kan utvides til 1,010,000 gjennom konfigurasjon. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for kompleks resonnering, samtidig som minnepress kan kreve en lavere innstilling. Representerte bilder og video, tekst, historiske meldinger, tenkning og svaret bruker alle plass i den konfigurerte sekvensen.\n\nInndata og moduser\n\nUtvikleren viser spørsmål om tekst, bilder og video. Tenkning er aktivert som standard, med en resonneringsblokk før det endelige svaret. enable_thinking kan deaktivere denne atferden for et direkte svar. Qwen3.6 støtter ikke offisielt de eldre promptbryterne /think og /nothink. Gjør det påkrevde resultatet lett å identifisere etter forklaringen, for eksempel en beregnet verdi, en tabell med uthentede felter eller en redigerbar kodepatch.\n\nVideoeksemplet bruker som standard to bilder per sekund i den støttede arbeidsflyten. For videoer som varer i timer, anbefaler utvikleren å øke prosessorbudsjettet for å tillate høyere samplingsfrekvens, med et eksempel som tilsvarer omtrent 224K videotokener. Flere visuelle detaljer krever mer av kontekst- og behandlingsbudsjettet. Disse innstillingene fastslår ikke en ubetinget videovarighet eller presise tidsstempler for hendelser i alle grensesnitt.\n\nHistorisk tenkning\n\nStandardmalen beholder tenkning knyttet til den siste brukermeldingen. Alternativet preserve_thinking kan i tillegg beholde resonnering fra historiske meldinger; utviklerens uttrykkelige eksempel aktiverer det med true. Dette kan støtte iterativ utvikling der tidligere beslutninger fortsatt er relevante etter nye verktøytilbakemeldinger. Det skiller seg fra den dokumenterte standardatferden for bevaring i Qwen3.8 og fra historikkveiledningen for Qwen3.5 som kun beholder sluttsvar. Følg det konkrete modellformatet fremfor å erstatte det med en annen generasjons historikkregler uten å si fra.\n\nAgentbruk\n\nQwen dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodeagentarbeid. Angi tillatte handlinger og observerbare fullføringskriterier. Et verktøy kan undersøke vedlagt materiale eller returnere et faktisk kontrollresultat, og modellen kan deretter revidere analysen. Modellen får ikke tilgang til et filsystem, oppdaterte kilder eller et kjøremiljø bare gjennom agentspesialiseringen.\n\nSvært lange inndata\n\nUtvidelsesoppsettet bruker YaRN med denne modellens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; en faktor på to foreslås for arbeidsmengder på 524,288 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så den bør følge det faktiske behovet for lang kontekst. Hold sider, funksjoner og dokumentgrenser merket, og be deretter om konklusjoner som identifiserer det underbyggende kildegrunnlaget.\n\nGenereringsanbefalinger og grenser\n\nKortets beste praksis anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 0 og repetisjonsstraff 1.0 for generell tenkning. For presis programmering blir temperature 0.6. For direkte svar er temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5, med øvrige verdier uendret. Utvikleren advarer om at 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 vanskelige matematiske oppgaver eller programmeringsoppgaver. De er ikke separat fastslåtte absolutte grenser. Definer et sluttsvarformat, og kontroller uthentet tekst, romlige konklusjoner, beregninger og foreslått kode mot kilden. En stor kontekst og bevart resonnering bidrar til å føre kildegrunnlaget gjennom oppgaven; leveransen som kan vurderes, er fortsatt det nyttige resultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B er Qwens tette syns- og språkmodell for koding, STEM-resonnering og visuell analyse. Den tar imot tekst, bilder og video og returnerer tekst, med valgbar resonnering, valgfri bevaring av tidligere resonnering og en innebygd kontekst på 262,144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.6-høydepunkter i en tett 27B-modell
Qwen3.6-27B er en tett syns- og språkmodell utviklet fra Qwen3.5-27B. Utvikleren fremhever sterkere kodeagenter og STEM-resonnering, med forbedringer i romlig forståelse, objektlokalisering og -deteksjon, dokument-OCR, videoforståelse og visuelle agenter. Den tar imot tekst, bilder og video og genererer tekst. Denne konkrete tette utgaven er atskilt fra mixture-of-experts-modellen Qwen3.6-35B-A3B, selv om de deler generasjon og oppgavefokus.
For et STEM-diagram legger du ved hele oppgaveteksten og bevarer etiketter og enheter. Be modellen skille direkte synlige fakta fra antakelser og deretter returnere en forklaring med et tydelig sluttsvar. For et dokument angir du feltene eller påstandene som skal hentes ut, og ber om underbyggende sidereferanser. For en kodeagent legger du ved relevante moduler, ønsket atferd og faktiske tilbakemeldinger fra den tilkoblede arbeidsflyten. Disse eksemplene anvender de dokumenterte funksjonene; de er ikke påstander om nøyaktig uthenting eller vellykket utførelse.
Modelloversikt
Modellen har 27 milliarder parametere og 64 språkmodellag. Hybridoppsettet gjentar tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk fremfor sparsomme eksperter. En synsenkoder gir bilde- og videoforståelse, og prediksjon av flere tokener inngår i treningen. Disse arkitekturfaktaene identifiserer modellversjonen uten å rangere kvaliteten eller svartiden i alle programmer.
Den opprinnelige konteksten er på 262,144 tokener og kan utvides til 1,010,000 gjennom konfigurasjon. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for kompleks resonnering, samtidig som minnepress kan kreve en lavere innstilling. Representerte bilder og video, tekst, historiske meldinger, tenkning og svaret bruker alle plass i den konfigurerte sekvensen.
Inndata og moduser
Utvikleren viser spørsmål om tekst, bilder og video. Tenkning er aktivert som standard, med en resonneringsblokk før det endelige svaret. enable_thinking kan deaktivere denne atferden for et direkte svar. Qwen3.6 støtter ikke offisielt de eldre promptbryterne /think og /nothink. Gjør det påkrevde resultatet lett å identifisere etter forklaringen, for eksempel en beregnet verdi, en tabell med uthentede felter eller en redigerbar kodepatch.
Videoeksemplet bruker som standard to bilder per sekund i den støttede arbeidsflyten. For videoer som varer i timer, anbefaler utvikleren å øke prosessorbudsjettet for å tillate høyere samplingsfrekvens, med et eksempel som tilsvarer omtrent 224K videotokener. Flere visuelle detaljer krever mer av kontekst- og behandlingsbudsjettet. Disse innstillingene fastslår ikke en ubetinget videovarighet eller presise tidsstempler for hendelser i alle grensesnitt.
Historisk tenkning
Standardmalen beholder tenkning knyttet til den siste brukermeldingen. Alternativet preserve_thinking kan i tillegg beholde resonnering fra historiske meldinger; utviklerens uttrykkelige eksempel aktiverer det med true. Dette kan støtte iterativ utvikling der tidligere beslutninger fortsatt er relevante etter nye verktøytilbakemeldinger. Det skiller seg fra den dokumenterte standardatferden for bevaring i Qwen3.8 og fra historikkveiledningen for Qwen3.5 som kun beholder sluttsvar. Følg det konkrete modellformatet fremfor å erstatte det med en annen generasjons historikkregler uten å si fra.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodeagentarbeid. Angi tillatte handlinger og observerbare fullføringskriterier. Et verktøy kan undersøke vedlagt materiale eller returnere et faktisk kontrollresultat, og modellen kan deretter revidere analysen. Modellen får ikke tilgang til et filsystem, oppdaterte kilder eller et kjøremiljø bare gjennom agentspesialiseringen.
Svært lange inndata
Utvidelsesoppsettet bruker YaRN med denne modellens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; en faktor på to foreslås for arbeidsmengder på 524,288 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så den bør følge det faktiske behovet for lang kontekst. Hold sider, funksjoner og dokumentgrenser merket, og be deretter om konklusjoner som identifiserer det underbyggende kildegrunnlaget.
Genereringsanbefalinger og grenser
Kortets beste praksis anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 0 og repetisjonsstraff 1.0 for generell tenkning. For presis programmering blir temperature 0.6. For direkte svar er temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5, med øvrige verdier uendret. Utvikleren advarer om at høyere tilstedeværelsesstraff kan blande språk eller redusere kvaliteten litt.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig vanskelige matematiske oppgaver eller programmeringsoppgaver. De er ikke separat fastslåtte absolutte grenser. Definer et sluttsvarformat, og kontroller uthentet tekst, romlige konklusjoner, beregninger og foreslått kode mot kilden. En stor kontekst og bevart resonnering bidrar til å føre kildegrunnlaget gjennom oppgaven; leveransen som kan vurderes, er fortsatt det nyttige resultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.6-27b | 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 $0.0009 / 1K tokener Utdata · Utgående tokener $0.0054 / 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 $0.0009 / 1K tokener Utdata · Utgående tokener $0.0054 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.6-27b
Bruk metodestiene som vises ovenfor.
qwen/qwen3.6-27bQwen3.6-27B er Qwens tette syns- og språkmodell for koding, STEM-resonnering og visuell analyse. Den tar imot tekst, bilder og video og returnerer tekst, med valgbar resonnering, valgfri bevaring av tidligere resonnering og en innebygd kontekst på 262,144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.6-høydepunkter i en tett 27B-modell
Qwen3.6-27B er en tett syns- og språkmodell utviklet fra Qwen3.5-27B. Utvikleren fremhever sterkere kodeagenter og STEM-resonnering, med forbedringer i romlig forståelse, objektlokalisering og -deteksjon, dokument-OCR, videoforståelse og visuelle agenter. Den tar imot tekst, bilder og video og genererer tekst. Denne konkrete tette utgaven er atskilt fra mixture-of-experts-modellen Qwen3.6-35B-A3B, selv om de deler generasjon og oppgavefokus.
For et STEM-diagram legger du ved hele oppgaveteksten og bevarer etiketter og enheter. Be modellen skille direkte synlige fakta fra antakelser og deretter returnere en forklaring med et tydelig sluttsvar. For et dokument angir du feltene eller påstandene som skal hentes ut, og ber om underbyggende sidereferanser. For en kodeagent legger du ved relevante moduler, ønsket atferd og faktiske tilbakemeldinger fra den tilkoblede arbeidsflyten. Disse eksemplene anvender de dokumenterte funksjonene; de er ikke påstander om nøyaktig uthenting eller vellykket utførelse.
Modelloversikt
Modellen har 27 milliarder parametere og 64 språkmodellag. Hybridoppsettet gjentar tre Gated DeltaNet-lag etterfulgt av ett lag med portstyrt oppmerksomhet, med tette fremoverkoblede nettverk fremfor sparsomme eksperter. En synsenkoder gir bilde- og videoforståelse, og prediksjon av flere tokener inngår i treningen. Disse arkitekturfaktaene identifiserer modellversjonen uten å rangere kvaliteten eller svartiden i alle programmer.
Den opprinnelige konteksten er på 262,144 tokener og kan utvides til 1,010,000 gjennom konfigurasjon. Qwen anbefaler å beholde minst 128K kontekst der det er mulig for kompleks resonnering, samtidig som minnepress kan kreve en lavere innstilling. Representerte bilder og video, tekst, historiske meldinger, tenkning og svaret bruker alle plass i den konfigurerte sekvensen.
Inndata og moduser
Utvikleren viser spørsmål om tekst, bilder og video. Tenkning er aktivert som standard, med en resonneringsblokk før det endelige svaret. enable_thinking kan deaktivere denne atferden for et direkte svar. Qwen3.6 støtter ikke offisielt de eldre promptbryterne /think og /nothink. Gjør det påkrevde resultatet lett å identifisere etter forklaringen, for eksempel en beregnet verdi, en tabell med uthentede felter eller en redigerbar kodepatch.
Videoeksemplet bruker som standard to bilder per sekund i den støttede arbeidsflyten. For videoer som varer i timer, anbefaler utvikleren å øke prosessorbudsjettet for å tillate høyere samplingsfrekvens, med et eksempel som tilsvarer omtrent 224K videotokener. Flere visuelle detaljer krever mer av kontekst- og behandlingsbudsjettet. Disse innstillingene fastslår ikke en ubetinget videovarighet eller presise tidsstempler for hendelser i alle grensesnitt.
Historisk tenkning
Standardmalen beholder tenkning knyttet til den siste brukermeldingen. Alternativet preserve_thinking kan i tillegg beholde resonnering fra historiske meldinger; utviklerens uttrykkelige eksempel aktiverer det med true. Dette kan støtte iterativ utvikling der tidligere beslutninger fortsatt er relevante etter nye verktøytilbakemeldinger. Det skiller seg fra den dokumenterte standardatferden for bevaring i Qwen3.8 og fra historikkveiledningen for Qwen3.5 som kun beholder sluttsvar. Følg det konkrete modellformatet fremfor å erstatte det med en annen generasjons historikkregler uten å si fra.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent med konfigurerte eller MCP-tilkoblede verktøy, sammen med Qwen Code for kodeagentarbeid. Angi tillatte handlinger og observerbare fullføringskriterier. Et verktøy kan undersøke vedlagt materiale eller returnere et faktisk kontrollresultat, og modellen kan deretter revidere analysen. Modellen får ikke tilgang til et filsystem, oppdaterte kilder eller et kjøremiljø bare gjennom agentspesialiseringen.
Svært lange inndata
Utvidelsesoppsettet bruker YaRN med denne modellens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; en faktor på to foreslås for arbeidsmengder på 524,288 tokener. Statisk skalering kan redusere ytelsen på kortere tekst, så den bør følge det faktiske behovet for lang kontekst. Hold sider, funksjoner og dokumentgrenser merket, og be deretter om konklusjoner som identifiserer det underbyggende kildegrunnlaget.
Genereringsanbefalinger og grenser
Kortets beste praksis anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 0 og repetisjonsstraff 1.0 for generell tenkning. For presis programmering blir temperature 0.6. For direkte svar er temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5, med øvrige verdier uendret. Utvikleren advarer om at høyere tilstedeværelsesstraff kan blande språk eller redusere kvaliteten litt.
Anbefalte genereringsrammer er 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig vanskelige matematiske oppgaver eller programmeringsoppgaver. De er ikke separat fastslåtte absolutte grenser. Definer et sluttsvarformat, og kontroller uthentet tekst, romlige konklusjoner, beregninger og foreslått kode mot kilden. En stor kontekst og bevart resonnering bidrar til å føre kildegrunnlaget gjennom oppgaven; leveransen som kan vurderes, er fortsatt det nyttige resultatet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.6-27b | 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 $0.0009 / 1K tokener Utdata · Utgående tokener $0.0054 / 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 $0.0009 / 1K tokener Utdata · Utgående tokener $0.0054 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.6-27b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.