Qwen3.6-høydepunkter: kontinuitet i programmering og resonnering
Qwen3.6-35B-A3B er en syns- og språkmodell med fokus på nyttig programmering og agentarbeid. Qwen fremhever sterkere frontend-arbeidsflyter og resonnering på kodelagernivå, samt et nytt alternativ for å beholde tenkning fra historiske meldinger. Den tar imot tekst, bilder og video og returnerer tekst: en forklaring, et kodeforslag, en strukturert analyse eller en annen forespurt tekstleveranse. Bevar denne konkrete 35B-A3B-utgaven fremfor å behandle den som den tette Qwen3.6-27B eller dens tidligere Qwen3.5-motstykke.
For en frontend-oppgave legger du ved relevant skjermbilde, funksjonskrav og eksisterende kodekontekst. Be om redigerbar kildekode og en beskrivelse av de tiltenkte tilstandene og interaksjonene. For en kodelageroppgave identifiserer du den berørte funksjonen, inndataene som avdekker et problem, og forventet atferd. Be om et patchforslag med forutsetninger og relevante kontroller.
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 og velger åtte rutede eksperter sammen med én felles ekspert; prediksjon av flere tokener inngår i treningen. Det lavere antallet aktiverte parametere beskriver ikke størrelsen på hele modellversjonen. En synsenkoder leverer den visuelle delen av modellen.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Utvikleren anbefaler å beholde en kontekst på minst 128K når det er mulig for komplekse tenkeoppgaver, selv om en reduksjon ville lette minnepresset. Kildetekst, representert visuelt materiale, historiske meldinger, resonnering og sluttsvaret deler den konfigurerte sekvensrammen.
Bruke inndata og svarmoduser
Kortet viser spørsmål om tekst, bilder og video. For et diagram eller en side bevarer du etikettene og definerer det konkrete spørsmålet. For et klipp beholder du tidsinformasjon og angir hendelsen du er interessert i. Utviklerens støttede videoeksempel bruker som standard to bilder per sekund og tillater samplingskonfigurasjon. Oppsettet for beste praksis utvider videoprosessorens budsjett til omtrent 224K videotokener for analyse med høyere frekvens av materiale som varer i timer; dette er et konfigurasjonseksempel fremfor en absolutt universell grense for klippvarighet.
Tenkning er aktivert som standard. Utviklerens enable_thinking-kontroll kan deaktivere den for et direkte svar. Qwen3.6 støtter ikke offisielt de eldre myke Qwen3-promptbryterne /think og /nothink. Skill resonneringen fra den endelige leveransen når du presenterer et resultat, og følg denne modellversjonens eget grensesnitt fremfor å anta at promptmarkører eller kontroller fra en annen generasjon gjelder.
Bevare historisk tenkning
Som standard beholder malen tenkeblokker knyttet til den siste brukermeldingen. Qwen3.6 er i tillegg trent til å bruke historisk resonnering når preserve_thinking er aktivert. Det uttrykkelige eksemplet setter dette alternativet til true. Dette kan hjelpe en iterativ agentoppgave å bevare beslutningskontekst fremfor gjentatte ganger å utlede tidligere valg på nytt; det endrer også mengden historikk forespørselen bærer med seg. Tilgjengeligheten av alternativet avhenger av om grensesnittet eksponerer utviklerens oppsett.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent for å konfigurere verktøy, inkludert MCP-tilkoblede verktøy. Qwen Code er en annen utviklerdokumentert arbeidsflyt for kodeagenter. Definer tillatte verktøy, oppgavemål og forventet leveranse, og returner deretter faktiske verktøyobservasjoner til modellen. Modellen kan resonnere om et resultat og revidere en plan; tilgang til filer eller kjøremiljøer kommer fra det tilkoblede programmet, ikke modellnavnet.
Svært lang tekst
Den dokumenterte kontekstutvidelsen bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; for arbeidsmengder på 524,288 tokener foreslår Qwen en faktor på to. Statisk skalering kan påvirke ytelsen på kortere tekst, så utvikleren anbefaler å endre den når lengre kontekst trengs. Behold avsnitts- og kodeidentifikatorer i store inndata, og be resultatet vise hvilke observasjoner som underbygger hver konklusjon.
Genereringsveiledning og grenser
For generell tenkning anbefaler utvikleren temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0. For presis programmering blir temperature 0.6 og tilstedeværelsesstraffen null. For direkte svar anbefales temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5, mens de øvrige verdiene er uendret. Høyere tilstedeværelsesstraff kan redusere gjentakelser, men kan også blande språk eller redusere kvaliteten litt.
Qwen anbefaler en genereringsramme på 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekse matematiske oppgaver eller programmeringsoppgaver. Dette er anbefalinger, ikke separat fastslåtte absolutte utdatagrenser. Angi sluttformatet uttrykkelig, og kontroller kode, beregninger og uthentede visuelle detaljer mot kilden. Kontinuitet i resonneringen og lang kontekst bidrar til å føre oppgavens kildegrunnlag videre, mens en kontrollerbar sluttleveranse gjør resultatet nyttig.
", "aboutText": "Qwen3.6-høydepunkter: kontinuitet i programmering og resonnering\n\nQwen3.6-35B-A3B er en syns- og språkmodell med fokus på nyttig programmering og agentarbeid. Qwen fremhever sterkere frontend-arbeidsflyter og resonnering på kodelagernivå, samt et nytt alternativ for å beholde tenkning fra historiske meldinger. Den tar imot tekst, bilder og video og returnerer tekst: en forklaring, et kodeforslag, en strukturert analyse eller en annen forespurt tekstleveranse. Bevar denne konkrete 35B-A3B-utgaven fremfor å behandle den som den tette Qwen3.6-27B eller dens tidligere Qwen3.5-motstykke.\n\nFor en frontend-oppgave legger du ved relevant skjermbilde, funksjonskrav og eksisterende kodekontekst. Be om redigerbar kildekode og en beskrivelse av de tiltenkte tilstandene og interaksjonene. For en kodelageroppgave identifiserer du den berørte funksjonen, inndataene som avdekker et problem, og forventet atferd. Be om et patchforslag med forutsetninger og relevante kontroller.\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 og velger åtte rutede eksperter sammen med én felles ekspert; prediksjon av flere tokener inngår i treningen. Det lavere antallet aktiverte parametere beskriver ikke størrelsen på hele modellversjonen. En synsenkoder leverer den visuelle delen av modellen.\n\nDen opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Utvikleren anbefaler å beholde en kontekst på minst 128K når det er mulig for komplekse tenkeoppgaver, selv om en reduksjon ville lette minnepresset. Kildetekst, representert visuelt materiale, historiske meldinger, resonnering og sluttsvaret deler den konfigurerte sekvensrammen.\n\nBruke inndata og svarmoduser\n\nKortet viser spørsmål om tekst, bilder og video. For et diagram eller en side bevarer du etikettene og definerer det konkrete spørsmålet. For et klipp beholder du tidsinformasjon og angir hendelsen du er interessert i. Utviklerens støttede videoeksempel bruker som standard to bilder per sekund og tillater samplingskonfigurasjon. Oppsettet for beste praksis utvider videoprosessorens budsjett til omtrent 224K videotokener for analyse med høyere frekvens av materiale som varer i timer; dette er et konfigurasjonseksempel fremfor en absolutt universell grense for klippvarighet.\n\nTenkning er aktivert som standard. Utviklerens enable_thinking-kontroll kan deaktivere den for et direkte svar. Qwen3.6 støtter ikke offisielt de eldre myke Qwen3-promptbryterne /think og /nothink. Skill resonneringen fra den endelige leveransen når du presenterer et resultat, og følg denne modellversjonens eget grensesnitt fremfor å anta at promptmarkører eller kontroller fra en annen generasjon gjelder.\n\nBevare historisk tenkning\n\nSom standard beholder malen tenkeblokker knyttet til den siste brukermeldingen. Qwen3.6 er i tillegg trent til å bruke historisk resonnering når preserve_thinking er aktivert. Det uttrykkelige eksemplet setter dette alternativet til true. Dette kan hjelpe en iterativ agentoppgave å bevare beslutningskontekst fremfor gjentatte ganger å utlede tidligere valg på nytt; det endrer også mengden historikk forespørselen bærer med seg. Tilgjengeligheten av alternativet avhenger av om grensesnittet eksponerer utviklerens oppsett.\n\nAgentbruk\n\nQwen dokumenterer verktøykall og anbefaler Qwen-Agent for å konfigurere verktøy, inkludert MCP-tilkoblede verktøy. Qwen Code er en annen utviklerdokumentert arbeidsflyt for kodeagenter. Definer tillatte verktøy, oppgavemål og forventet leveranse, og returner deretter faktiske verktøyobservasjoner til modellen. Modellen kan resonnere om et resultat og revidere en plan; tilgang til filer eller kjøremiljøer kommer fra det tilkoblede programmet, ikke modellnavnet.\n\nSvært lang tekst\n\nDen dokumenterte kontekstutvidelsen bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; for arbeidsmengder på 524,288 tokener foreslår Qwen en faktor på to. Statisk skalering kan påvirke ytelsen på kortere tekst, så utvikleren anbefaler å endre den når lengre kontekst trengs. Behold avsnitts- og kodeidentifikatorer i store inndata, og be resultatet vise hvilke observasjoner som underbygger hver konklusjon.\n\nGenereringsveiledning og grenser\n\nFor generell tenkning anbefaler utvikleren temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0. For presis programmering blir temperature 0.6 og tilstedeværelsesstraffen null. For direkte svar anbefales temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5, mens de øvrige verdiene er uendret. Høyere tilstedeværelsesstraff kan redusere gjentakelser, men kan også blande språk eller redusere kvaliteten litt.\n\nQwen anbefaler en genereringsramme på 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekse matematiske oppgaver eller programmeringsoppgaver. Dette er anbefalinger, ikke separat fastslåtte absolutte utdatagrenser. Angi sluttformatet uttrykkelig, og kontroller kode, beregninger og uthentede visuelle detaljer mot kilden. Kontinuitet i resonneringen og lang kontekst bidrar til å føre oppgavens kildegrunnlag videre, mens en kontrollerbar sluttleveranse gjør resultatet nyttig.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B er Qwens mixture-of-experts-modell for syn og språk, med totalt 35 milliarder og 3 milliarder aktiverte parametere. Den fokuserer på frontend- og kodelagerbasert programmering, legger til valgfri bevaring av historisk resonnering og tar imot tekst, bilder og video med tekst som utdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.6-høydepunkter: kontinuitet i programmering og resonnering
Qwen3.6-35B-A3B er en syns- og språkmodell med fokus på nyttig programmering og agentarbeid. Qwen fremhever sterkere frontend-arbeidsflyter og resonnering på kodelagernivå, samt et nytt alternativ for å beholde tenkning fra historiske meldinger. Den tar imot tekst, bilder og video og returnerer tekst: en forklaring, et kodeforslag, en strukturert analyse eller en annen forespurt tekstleveranse. Bevar denne konkrete 35B-A3B-utgaven fremfor å behandle den som den tette Qwen3.6-27B eller dens tidligere Qwen3.5-motstykke.
For en frontend-oppgave legger du ved relevant skjermbilde, funksjonskrav og eksisterende kodekontekst. Be om redigerbar kildekode og en beskrivelse av de tiltenkte tilstandene og interaksjonene. For en kodelageroppgave identifiserer du den berørte funksjonen, inndataene som avdekker et problem, og forventet atferd. Be om et patchforslag med forutsetninger og relevante kontroller.
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 og velger åtte rutede eksperter sammen med én felles ekspert; prediksjon av flere tokener inngår i treningen. Det lavere antallet aktiverte parametere beskriver ikke størrelsen på hele modellversjonen. En synsenkoder leverer den visuelle delen av modellen.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Utvikleren anbefaler å beholde en kontekst på minst 128K når det er mulig for komplekse tenkeoppgaver, selv om en reduksjon ville lette minnepresset. Kildetekst, representert visuelt materiale, historiske meldinger, resonnering og sluttsvaret deler den konfigurerte sekvensrammen.
Bruke inndata og svarmoduser
Kortet viser spørsmål om tekst, bilder og video. For et diagram eller en side bevarer du etikettene og definerer det konkrete spørsmålet. For et klipp beholder du tidsinformasjon og angir hendelsen du er interessert i. Utviklerens støttede videoeksempel bruker som standard to bilder per sekund og tillater samplingskonfigurasjon. Oppsettet for beste praksis utvider videoprosessorens budsjett til omtrent 224K videotokener for analyse med høyere frekvens av materiale som varer i timer; dette er et konfigurasjonseksempel fremfor en absolutt universell grense for klippvarighet.
Tenkning er aktivert som standard. Utviklerens enable_thinking-kontroll kan deaktivere den for et direkte svar. Qwen3.6 støtter ikke offisielt de eldre myke Qwen3-promptbryterne /think og /nothink. Skill resonneringen fra den endelige leveransen når du presenterer et resultat, og følg denne modellversjonens eget grensesnitt fremfor å anta at promptmarkører eller kontroller fra en annen generasjon gjelder.
Bevare historisk tenkning
Som standard beholder malen tenkeblokker knyttet til den siste brukermeldingen. Qwen3.6 er i tillegg trent til å bruke historisk resonnering når preserve_thinking er aktivert. Det uttrykkelige eksemplet setter dette alternativet til true. Dette kan hjelpe en iterativ agentoppgave å bevare beslutningskontekst fremfor gjentatte ganger å utlede tidligere valg på nytt; det endrer også mengden historikk forespørselen bærer med seg. Tilgjengeligheten av alternativet avhenger av om grensesnittet eksponerer utviklerens oppsett.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent for å konfigurere verktøy, inkludert MCP-tilkoblede verktøy. Qwen Code er en annen utviklerdokumentert arbeidsflyt for kodeagenter. Definer tillatte verktøy, oppgavemål og forventet leveranse, og returner deretter faktiske verktøyobservasjoner til modellen. Modellen kan resonnere om et resultat og revidere en plan; tilgang til filer eller kjøremiljøer kommer fra det tilkoblede programmet, ikke modellnavnet.
Svært lang tekst
Den dokumenterte kontekstutvidelsen bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; for arbeidsmengder på 524,288 tokener foreslår Qwen en faktor på to. Statisk skalering kan påvirke ytelsen på kortere tekst, så utvikleren anbefaler å endre den når lengre kontekst trengs. Behold avsnitts- og kodeidentifikatorer i store inndata, og be resultatet vise hvilke observasjoner som underbygger hver konklusjon.
Genereringsveiledning og grenser
For generell tenkning anbefaler utvikleren temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0. For presis programmering blir temperature 0.6 og tilstedeværelsesstraffen null. For direkte svar anbefales temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5, mens de øvrige verdiene er uendret. Høyere tilstedeværelsesstraff kan redusere gjentakelser, men kan også blande språk eller redusere kvaliteten litt.
Qwen anbefaler en genereringsramme på 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekse matematiske oppgaver eller programmeringsoppgaver. Dette er anbefalinger, ikke separat fastslåtte absolutte utdatagrenser. Angi sluttformatet uttrykkelig, og kontroller kode, beregninger og uthentede visuelle detaljer mot kilden. Kontinuitet i resonneringen og lang kontekst bidrar til å føre oppgavens kildegrunnlag videre, mens en kontrollerbar sluttleveranse gjør resultatet nyttig.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.6-35b-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 $0.000566 / 1K tokener Utdata · Utgående tokener $0.00341 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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 $0.000566 / 1K tokener Utdata · Utgående tokener $0.00341 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.6-35b-a3b
Bruk metodestiene som vises ovenfor.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B er Qwens mixture-of-experts-modell for syn og språk, med totalt 35 milliarder og 3 milliarder aktiverte parametere. Den fokuserer på frontend- og kodelagerbasert programmering, legger til valgfri bevaring av historisk resonnering og tar imot tekst, bilder og video med tekst som utdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3.6-høydepunkter: kontinuitet i programmering og resonnering
Qwen3.6-35B-A3B er en syns- og språkmodell med fokus på nyttig programmering og agentarbeid. Qwen fremhever sterkere frontend-arbeidsflyter og resonnering på kodelagernivå, samt et nytt alternativ for å beholde tenkning fra historiske meldinger. Den tar imot tekst, bilder og video og returnerer tekst: en forklaring, et kodeforslag, en strukturert analyse eller en annen forespurt tekstleveranse. Bevar denne konkrete 35B-A3B-utgaven fremfor å behandle den som den tette Qwen3.6-27B eller dens tidligere Qwen3.5-motstykke.
For en frontend-oppgave legger du ved relevant skjermbilde, funksjonskrav og eksisterende kodekontekst. Be om redigerbar kildekode og en beskrivelse av de tiltenkte tilstandene og interaksjonene. For en kodelageroppgave identifiserer du den berørte funksjonen, inndataene som avdekker et problem, og forventet atferd. Be om et patchforslag med forutsetninger og relevante kontroller.
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 og velger åtte rutede eksperter sammen med én felles ekspert; prediksjon av flere tokener inngår i treningen. Det lavere antallet aktiverte parametere beskriver ikke størrelsen på hele modellversjonen. En synsenkoder leverer den visuelle delen av modellen.
Den opprinnelige konteksten er på 262,144 tokener, med betinget utvidelse til 1,010,000. Utvikleren anbefaler å beholde en kontekst på minst 128K når det er mulig for komplekse tenkeoppgaver, selv om en reduksjon ville lette minnepresset. Kildetekst, representert visuelt materiale, historiske meldinger, resonnering og sluttsvaret deler den konfigurerte sekvensrammen.
Bruke inndata og svarmoduser
Kortet viser spørsmål om tekst, bilder og video. For et diagram eller en side bevarer du etikettene og definerer det konkrete spørsmålet. For et klipp beholder du tidsinformasjon og angir hendelsen du er interessert i. Utviklerens støttede videoeksempel bruker som standard to bilder per sekund og tillater samplingskonfigurasjon. Oppsettet for beste praksis utvider videoprosessorens budsjett til omtrent 224K videotokener for analyse med høyere frekvens av materiale som varer i timer; dette er et konfigurasjonseksempel fremfor en absolutt universell grense for klippvarighet.
Tenkning er aktivert som standard. Utviklerens enable_thinking-kontroll kan deaktivere den for et direkte svar. Qwen3.6 støtter ikke offisielt de eldre myke Qwen3-promptbryterne /think og /nothink. Skill resonneringen fra den endelige leveransen når du presenterer et resultat, og følg denne modellversjonens eget grensesnitt fremfor å anta at promptmarkører eller kontroller fra en annen generasjon gjelder.
Bevare historisk tenkning
Som standard beholder malen tenkeblokker knyttet til den siste brukermeldingen. Qwen3.6 er i tillegg trent til å bruke historisk resonnering når preserve_thinking er aktivert. Det uttrykkelige eksemplet setter dette alternativet til true. Dette kan hjelpe en iterativ agentoppgave å bevare beslutningskontekst fremfor gjentatte ganger å utlede tidligere valg på nytt; det endrer også mengden historikk forespørselen bærer med seg. Tilgjengeligheten av alternativet avhenger av om grensesnittet eksponerer utviklerens oppsett.
Agentbruk
Qwen dokumenterer verktøykall og anbefaler Qwen-Agent for å konfigurere verktøy, inkludert MCP-tilkoblede verktøy. Qwen Code er en annen utviklerdokumentert arbeidsflyt for kodeagenter. Definer tillatte verktøy, oppgavemål og forventet leveranse, og returner deretter faktiske verktøyobservasjoner til modellen. Modellen kan resonnere om et resultat og revidere en plan; tilgang til filer eller kjøremiljøer kommer fra det tilkoblede programmet, ikke modellnavnet.
Svært lang tekst
Den dokumenterte kontekstutvidelsen bruker YaRN med modellversjonens sammenflettede posisjonsinnstillinger. En faktor på fire retter seg mot arbeidsflyten med omtrent én million tokener; for arbeidsmengder på 524,288 tokener foreslår Qwen en faktor på to. Statisk skalering kan påvirke ytelsen på kortere tekst, så utvikleren anbefaler å endre den når lengre kontekst trengs. Behold avsnitts- og kodeidentifikatorer i store inndata, og be resultatet vise hvilke observasjoner som underbygger hver konklusjon.
Genereringsveiledning og grenser
For generell tenkning anbefaler utvikleren temperature 1.0, top_p 0.95, top_k 20, min_p 0, tilstedeværelsesstraff 1.5 og repetisjonsstraff 1.0. For presis programmering blir temperature 0.6 og tilstedeværelsesstraffen null. For direkte svar anbefales temperature 0.7, top_p 0.8 og tilstedeværelsesstraff 1.5, mens de øvrige verdiene er uendret. Høyere tilstedeværelsesstraff kan redusere gjentakelser, men kan også blande språk eller redusere kvaliteten litt.
Qwen anbefaler en genereringsramme på 32,768 tokener for de fleste spørsmål og 81,920 for uvanlig komplekse matematiske oppgaver eller programmeringsoppgaver. Dette er anbefalinger, ikke separat fastslåtte absolutte utdatagrenser. Angi sluttformatet uttrykkelig, og kontroller kode, beregninger og uthentede visuelle detaljer mot kilden. Kontinuitet i resonneringen og lang kontekst bidrar til å føre oppgavens kildegrunnlag videre, mens en kontrollerbar sluttleveranse gjør resultatet nyttig.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3.6-35b-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 $0.000566 / 1K tokener Utdata · Utgående tokener $0.00341 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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 $0.000566 / 1K tokener Utdata · Utgående tokener $0.00341 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.6-35b-a3b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.