Qwen3.5-verbeteringen: het 122B-A10B-expertmodel
Qwen3.5-122B-A10B is een nagetraind vision-language-model voor gecombineerde tekstuele en visuele taken. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug, waaronder uitleg, codevoorstellen en gevraagde documentartefacten. De familie is opgebouwd met vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken en ontwikkelt redeneren, programmeren, agents en visueel begrip. Ze beschrijft dekking van 201 talen en dialecten, zonder te impliceren dat elke taal of elk domein identiek betrouwbaar wordt verwerkt.
Een nuttige taak kan een technische specificatie, diagrammen en relevante code combineren en het model vragen de componenten uit te leggen en een implementatievoorstel terug te geven. Een documentanalysetaak kan om een vergelijking met ondersteunende onderdeel- of paginaverwijzingen vragen.
Modeloverzicht
Het sparse mixture-of-experts-checkpoint heeft in totaal 122 miljard parameters en activeert er tien miljard. Het heeft 48 taalmodellagen, met groepen van drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 256 routed experts, waarvan acht routed experts samen met één gedeelde expert worden geselecteerd. Een vision encoder en multi-token prediction maken deel uit van het model. Het totale en het geactiveerde aantal hebben verschillende betekenissen; het geactiveerde aantal is niet de volledige checkpointgrootte.
Dit is een andere editie dan het dense Qwen3.5-27B, het sparse Qwen3.5-35B-A3B en latere modelgeneraties. Leid uit de grootte alleen geen algemene prestatie- of latentierangschikking af. De native context bedraagt 262,144 tokens en de gedocumenteerde uitbreiding bereikt via configuratie 1,010,000. Qwen adviseert bij complex denkwerk waar mogelijk minstens een context van 128K te behouden, maar erkent dat geheugendruk een kleiner venster kan vereisen.
Gecombineerd tekstueel en visueel bewijs voorbereiden
Behoud diagramlabels, grafiekassen, tabelkoppen en eenheden. Vermeld of het resultaat een relatie moet uitleggen, benoemde velden moet extraheren of code moet voorstellen. Geef meerdere relevante bronnen labels en vraag om uitvoer die volgens dezelfde identificaties is geordend. Scheid zichtbare feiten van aannames, zodat een beoordelaar de redenering naar het aangeleverde materiaal kan terugvoeren.
Duid voor een programmeeraanvraag het beoogde gedrag, de relevante broncode en een invoer die het probleem aantoont aan. Vraag om een bewerkbare patch met een uitleg van de betrokken voorwaarden en controles. Behoud bij video de volgorde en timing van gebeurtenissen en formuleer de vraag, in plaats van om een ongerichte samenvatting te vragen. Het tekstresultaat van het model is een conceptartefact om te inspecteren; de mogelijkheid van visuele invoer betekent geen generatie van afbeeldingen, video of spraak.
Denken en geschiedenis
Denken staat standaard aan, met een redenering vóór het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor rechtstreekse antwoorden. De oude softschakelaars /think en /nothink worden niet officieel ondersteund. Qwen3.5 raadt aan om in eerdere assistentberichten definitieve antwoorden zonder denkinhoud te bewaren. Dit mag niet worden vervangen door opties voor historisch behoud uit latere Qwen-generaties, alleen omdat ze een familienaam delen.
Maak het definitieve resultaat gemakkelijk terug te vinden, bijvoorbeeld als een gedefinieerd antwoordveld, een afgebakende waarde of een afzonderlijk codeartefact. Een rechtstreeks antwoord moet nog steeds worden gecontroleerd, terwijl langere redeneringen alleen nuttig zijn wanneer hun stappen een verifieerbare conclusie ondersteunen.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, samen met Qwen Code voor werk met programmeeragents. Definieer de toegestane acties, het beschikbare bewijs en de voltooiingscriteria. Aangesloten tools voeren bewerkingen uit en geven resultaten terug; het model gebruikt die feedback in zijn analyse. Een voorgesteld commando, een zoekopdracht of een patch moet onderscheiden blijven van een actie die werkelijk door de toepassing is uitgevoerd.
Zeer lange context en video
De uitbreiding van de ontwikkelaar gebruikt YaRN met de interleaved positie-instellingen van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens en twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan de prestaties bij kortere tekst beïnvloeden en moet dus aansluiten bij een echte behoefte aan grotere context. Invoer, visuele representaties, geschiedenis, redeneringen en het definitieve antwoord gebruiken allemaal het ingestelde sequentiebudget.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal van ongeveer een uur raadt de ontwikkelaar aan het processorbudget te vergroten tot circa 224K videotokens, om sampling met een hogere frequentie mogelijk te maken. Dit is een configuratieafhankelijk recept, geen universele garantie voor mediaduur, het volledig terughalen van informatie of nauwkeurige timestamps.
Generatierichtlijnen en inhoudelijke beperkingen
De Best Practices bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan voor algemeen denkwerk. Nauwkeurig programmeerwerk gebruikt temperature 0.6 en presence penalty nul. Algemene rechtstreekse antwoorden gebruiken temperature 0.7, top_p 0.8 en presence penalty 1.5; top_k is 20, min_p is 0 en repetition penalty is 1.0. Redeneren met rechtstreekse antwoorden heeft een afzonderlijke preset: temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Hogere presence penalties kunnen talen mengen of de kwaliteit licht verlagen.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste aanvragen en 81,920 voor uitzonderlijk complex wiskundig of programmeerwerk; het zijn geen afzonderlijk vastgestelde harde uitvoerlimieten. Definieer het gevraagde formaat, behoud bronidentificaties en controleer berekeningen, geëxtraheerde waarden en voorgestelde code aan de hand van het oorspronkelijke bewijs. Het nuttige resultaat is een volledig tekstartefact waarvan de aannames en het ondersteunende materiaal zichtbaar blijven.
", "aboutText": "Qwen3.5-verbeteringen: het 122B-A10B-expertmodel\n\nQwen3.5-122B-A10B is een nagetraind vision-language-model voor gecombineerde tekstuele en visuele taken. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug, waaronder uitleg, codevoorstellen en gevraagde documentartefacten. De familie is opgebouwd met vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken en ontwikkelt redeneren, programmeren, agents en visueel begrip. Ze beschrijft dekking van 201 talen en dialecten, zonder te impliceren dat elke taal of elk domein identiek betrouwbaar wordt verwerkt.\n\nEen nuttige taak kan een technische specificatie, diagrammen en relevante code combineren en het model vragen de componenten uit te leggen en een implementatievoorstel terug te geven. Een documentanalysetaak kan om een vergelijking met ondersteunende onderdeel- of paginaverwijzingen vragen.\n\nModeloverzicht\n\nHet sparse mixture-of-experts-checkpoint heeft in totaal 122 miljard parameters en activeert er tien miljard. Het heeft 48 taalmodellagen, met groepen van drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 256 routed experts, waarvan acht routed experts samen met één gedeelde expert worden geselecteerd. Een vision encoder en multi-token prediction maken deel uit van het model. Het totale en het geactiveerde aantal hebben verschillende betekenissen; het geactiveerde aantal is niet de volledige checkpointgrootte.\n\nDit is een andere editie dan het dense Qwen3.5-27B, het sparse Qwen3.5-35B-A3B en latere modelgeneraties. Leid uit de grootte alleen geen algemene prestatie- of latentierangschikking af. De native context bedraagt 262,144 tokens en de gedocumenteerde uitbreiding bereikt via configuratie 1,010,000. Qwen adviseert bij complex denkwerk waar mogelijk minstens een context van 128K te behouden, maar erkent dat geheugendruk een kleiner venster kan vereisen.\n\nGecombineerd tekstueel en visueel bewijs voorbereiden\n\nBehoud diagramlabels, grafiekassen, tabelkoppen en eenheden. Vermeld of het resultaat een relatie moet uitleggen, benoemde velden moet extraheren of code moet voorstellen. Geef meerdere relevante bronnen labels en vraag om uitvoer die volgens dezelfde identificaties is geordend. Scheid zichtbare feiten van aannames, zodat een beoordelaar de redenering naar het aangeleverde materiaal kan terugvoeren.\n\nDuid voor een programmeeraanvraag het beoogde gedrag, de relevante broncode en een invoer die het probleem aantoont aan. Vraag om een bewerkbare patch met een uitleg van de betrokken voorwaarden en controles. Behoud bij video de volgorde en timing van gebeurtenissen en formuleer de vraag, in plaats van om een ongerichte samenvatting te vragen. Het tekstresultaat van het model is een conceptartefact om te inspecteren; de mogelijkheid van visuele invoer betekent geen generatie van afbeeldingen, video of spraak.\n\nDenken en geschiedenis\n\nDenken staat standaard aan, met een redenering vóór het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor rechtstreekse antwoorden. De oude softschakelaars /think en /nothink worden niet officieel ondersteund. Qwen3.5 raadt aan om in eerdere assistentberichten definitieve antwoorden zonder denkinhoud te bewaren. Dit mag niet worden vervangen door opties voor historisch behoud uit latere Qwen-generaties, alleen omdat ze een familienaam delen.\n\nMaak het definitieve resultaat gemakkelijk terug te vinden, bijvoorbeeld als een gedefinieerd antwoordveld, een afgebakende waarde of een afzonderlijk codeartefact. Een rechtstreeks antwoord moet nog steeds worden gecontroleerd, terwijl langere redeneringen alleen nuttig zijn wanneer hun stappen een verifieerbare conclusie ondersteunen.\n\nGebruik met agents\n\nQwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, samen met Qwen Code voor werk met programmeeragents. Definieer de toegestane acties, het beschikbare bewijs en de voltooiingscriteria. Aangesloten tools voeren bewerkingen uit en geven resultaten terug; het model gebruikt die feedback in zijn analyse. Een voorgesteld commando, een zoekopdracht of een patch moet onderscheiden blijven van een actie die werkelijk door de toepassing is uitgevoerd.\n\nZeer lange context en video\n\nDe uitbreiding van de ontwikkelaar gebruikt YaRN met de interleaved positie-instellingen van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens en twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan de prestaties bij kortere tekst beïnvloeden en moet dus aansluiten bij een echte behoefte aan grotere context. Invoer, visuele representaties, geschiedenis, redeneringen en het definitieve antwoord gebruiken allemaal het ingestelde sequentiebudget.\n\nHet ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal van ongeveer een uur raadt de ontwikkelaar aan het processorbudget te vergroten tot circa 224K videotokens, om sampling met een hogere frequentie mogelijk te maken. Dit is een configuratieafhankelijk recept, geen universele garantie voor mediaduur, het volledig terughalen van informatie of nauwkeurige timestamps.\n\nGeneratierichtlijnen en inhoudelijke beperkingen\n\nDe Best Practices bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan voor algemeen denkwerk. Nauwkeurig programmeerwerk gebruikt temperature 0.6 en presence penalty nul. Algemene rechtstreekse antwoorden gebruiken temperature 0.7, top_p 0.8 en presence penalty 1.5; top_k is 20, min_p is 0 en repetition penalty is 1.0. Redeneren met rechtstreekse antwoorden heeft een afzonderlijke preset: temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Hogere presence penalties kunnen talen mengen of de kwaliteit licht verlagen.\n\nDe aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste aanvragen en 81,920 voor uitzonderlijk complex wiskundig of programmeerwerk; het zijn geen afzonderlijk vastgestelde harde uitvoerlimieten. Definieer het gevraagde formaat, behoud bronidentificaties en controleer berekeningen, geëxtraheerde waarden en voorgestelde code aan de hand van het oorspronkelijke bewijs. Het nuttige resultaat is een volledig tekstartefact waarvan de aannames en het ondersteunende materiaal zichtbaar blijven.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B is het vision-language mixture-of-experts-model van Qwen met in totaal 122 miljard parameters waarvan 10 miljard worden geactiveerd. Het verwerkt tekst, afbeeldingen en video voor redeneren, programmeren en agenttaken en geeft tekst terug, met instelbaar denken en een native context van 262,144 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3.5-verbeteringen: het 122B-A10B-expertmodel
Qwen3.5-122B-A10B is een nagetraind vision-language-model voor gecombineerde tekstuele en visuele taken. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug, waaronder uitleg, codevoorstellen en gevraagde documentartefacten. De familie is opgebouwd met vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken en ontwikkelt redeneren, programmeren, agents en visueel begrip. Ze beschrijft dekking van 201 talen en dialecten, zonder te impliceren dat elke taal of elk domein identiek betrouwbaar wordt verwerkt.
Een nuttige taak kan een technische specificatie, diagrammen en relevante code combineren en het model vragen de componenten uit te leggen en een implementatievoorstel terug te geven. Een documentanalysetaak kan om een vergelijking met ondersteunende onderdeel- of paginaverwijzingen vragen.
Modeloverzicht
Het sparse mixture-of-experts-checkpoint heeft in totaal 122 miljard parameters en activeert er tien miljard. Het heeft 48 taalmodellagen, met groepen van drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 256 routed experts, waarvan acht routed experts samen met één gedeelde expert worden geselecteerd. Een vision encoder en multi-token prediction maken deel uit van het model. Het totale en het geactiveerde aantal hebben verschillende betekenissen; het geactiveerde aantal is niet de volledige checkpointgrootte.
Dit is een andere editie dan het dense Qwen3.5-27B, het sparse Qwen3.5-35B-A3B en latere modelgeneraties. Leid uit de grootte alleen geen algemene prestatie- of latentierangschikking af. De native context bedraagt 262,144 tokens en de gedocumenteerde uitbreiding bereikt via configuratie 1,010,000. Qwen adviseert bij complex denkwerk waar mogelijk minstens een context van 128K te behouden, maar erkent dat geheugendruk een kleiner venster kan vereisen.
Gecombineerd tekstueel en visueel bewijs voorbereiden
Behoud diagramlabels, grafiekassen, tabelkoppen en eenheden. Vermeld of het resultaat een relatie moet uitleggen, benoemde velden moet extraheren of code moet voorstellen. Geef meerdere relevante bronnen labels en vraag om uitvoer die volgens dezelfde identificaties is geordend. Scheid zichtbare feiten van aannames, zodat een beoordelaar de redenering naar het aangeleverde materiaal kan terugvoeren.
Duid voor een programmeeraanvraag het beoogde gedrag, de relevante broncode en een invoer die het probleem aantoont aan. Vraag om een bewerkbare patch met een uitleg van de betrokken voorwaarden en controles. Behoud bij video de volgorde en timing van gebeurtenissen en formuleer de vraag, in plaats van om een ongerichte samenvatting te vragen. Het tekstresultaat van het model is een conceptartefact om te inspecteren; de mogelijkheid van visuele invoer betekent geen generatie van afbeeldingen, video of spraak.
Denken en geschiedenis
Denken staat standaard aan, met een redenering vóór het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor rechtstreekse antwoorden. De oude softschakelaars /think en /nothink worden niet officieel ondersteund. Qwen3.5 raadt aan om in eerdere assistentberichten definitieve antwoorden zonder denkinhoud te bewaren. Dit mag niet worden vervangen door opties voor historisch behoud uit latere Qwen-generaties, alleen omdat ze een familienaam delen.
Maak het definitieve resultaat gemakkelijk terug te vinden, bijvoorbeeld als een gedefinieerd antwoordveld, een afgebakende waarde of een afzonderlijk codeartefact. Een rechtstreeks antwoord moet nog steeds worden gecontroleerd, terwijl langere redeneringen alleen nuttig zijn wanneer hun stappen een verifieerbare conclusie ondersteunen.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, samen met Qwen Code voor werk met programmeeragents. Definieer de toegestane acties, het beschikbare bewijs en de voltooiingscriteria. Aangesloten tools voeren bewerkingen uit en geven resultaten terug; het model gebruikt die feedback in zijn analyse. Een voorgesteld commando, een zoekopdracht of een patch moet onderscheiden blijven van een actie die werkelijk door de toepassing is uitgevoerd.
Zeer lange context en video
De uitbreiding van de ontwikkelaar gebruikt YaRN met de interleaved positie-instellingen van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens en twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan de prestaties bij kortere tekst beïnvloeden en moet dus aansluiten bij een echte behoefte aan grotere context. Invoer, visuele representaties, geschiedenis, redeneringen en het definitieve antwoord gebruiken allemaal het ingestelde sequentiebudget.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal van ongeveer een uur raadt de ontwikkelaar aan het processorbudget te vergroten tot circa 224K videotokens, om sampling met een hogere frequentie mogelijk te maken. Dit is een configuratieafhankelijk recept, geen universele garantie voor mediaduur, het volledig terughalen van informatie of nauwkeurige timestamps.
Generatierichtlijnen en inhoudelijke beperkingen
De Best Practices bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan voor algemeen denkwerk. Nauwkeurig programmeerwerk gebruikt temperature 0.6 en presence penalty nul. Algemene rechtstreekse antwoorden gebruiken temperature 0.7, top_p 0.8 en presence penalty 1.5; top_k is 20, min_p is 0 en repetition penalty is 1.0. Redeneren met rechtstreekse antwoorden heeft een afzonderlijke preset: temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Hogere presence penalties kunnen talen mengen of de kwaliteit licht verlagen.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste aanvragen en 81,920 voor uitzonderlijk complex wiskundig of programmeerwerk; het zijn geen afzonderlijk vastgestelde harde uitvoerlimieten. Definieer het gevraagde formaat, behoud bronidentificaties en controleer berekeningen, geëxtraheerde waarden en voorgestelde code aan de hand van het oorspronkelijke bewijs. Het nuttige resultaat is een volledig tekstartefact waarvan de aannames en het ondersteunende materiaal zichtbaar blijven.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-122b-a10b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00458 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00458 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-122b-a10b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B is het vision-language mixture-of-experts-model van Qwen met in totaal 122 miljard parameters waarvan 10 miljard worden geactiveerd. Het verwerkt tekst, afbeeldingen en video voor redeneren, programmeren en agenttaken en geeft tekst terug, met instelbaar denken en een native context van 262,144 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3.5-verbeteringen: het 122B-A10B-expertmodel
Qwen3.5-122B-A10B is een nagetraind vision-language-model voor gecombineerde tekstuele en visuele taken. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug, waaronder uitleg, codevoorstellen en gevraagde documentartefacten. De familie is opgebouwd met vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken en ontwikkelt redeneren, programmeren, agents en visueel begrip. Ze beschrijft dekking van 201 talen en dialecten, zonder te impliceren dat elke taal of elk domein identiek betrouwbaar wordt verwerkt.
Een nuttige taak kan een technische specificatie, diagrammen en relevante code combineren en het model vragen de componenten uit te leggen en een implementatievoorstel terug te geven. Een documentanalysetaak kan om een vergelijking met ondersteunende onderdeel- of paginaverwijzingen vragen.
Modeloverzicht
Het sparse mixture-of-experts-checkpoint heeft in totaal 122 miljard parameters en activeert er tien miljard. Het heeft 48 taalmodellagen, met groepen van drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 256 routed experts, waarvan acht routed experts samen met één gedeelde expert worden geselecteerd. Een vision encoder en multi-token prediction maken deel uit van het model. Het totale en het geactiveerde aantal hebben verschillende betekenissen; het geactiveerde aantal is niet de volledige checkpointgrootte.
Dit is een andere editie dan het dense Qwen3.5-27B, het sparse Qwen3.5-35B-A3B en latere modelgeneraties. Leid uit de grootte alleen geen algemene prestatie- of latentierangschikking af. De native context bedraagt 262,144 tokens en de gedocumenteerde uitbreiding bereikt via configuratie 1,010,000. Qwen adviseert bij complex denkwerk waar mogelijk minstens een context van 128K te behouden, maar erkent dat geheugendruk een kleiner venster kan vereisen.
Gecombineerd tekstueel en visueel bewijs voorbereiden
Behoud diagramlabels, grafiekassen, tabelkoppen en eenheden. Vermeld of het resultaat een relatie moet uitleggen, benoemde velden moet extraheren of code moet voorstellen. Geef meerdere relevante bronnen labels en vraag om uitvoer die volgens dezelfde identificaties is geordend. Scheid zichtbare feiten van aannames, zodat een beoordelaar de redenering naar het aangeleverde materiaal kan terugvoeren.
Duid voor een programmeeraanvraag het beoogde gedrag, de relevante broncode en een invoer die het probleem aantoont aan. Vraag om een bewerkbare patch met een uitleg van de betrokken voorwaarden en controles. Behoud bij video de volgorde en timing van gebeurtenissen en formuleer de vraag, in plaats van om een ongerichte samenvatting te vragen. Het tekstresultaat van het model is een conceptartefact om te inspecteren; de mogelijkheid van visuele invoer betekent geen generatie van afbeeldingen, video of spraak.
Denken en geschiedenis
Denken staat standaard aan, met een redenering vóór het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor rechtstreekse antwoorden. De oude softschakelaars /think en /nothink worden niet officieel ondersteund. Qwen3.5 raadt aan om in eerdere assistentberichten definitieve antwoorden zonder denkinhoud te bewaren. Dit mag niet worden vervangen door opties voor historisch behoud uit latere Qwen-generaties, alleen omdat ze een familienaam delen.
Maak het definitieve resultaat gemakkelijk terug te vinden, bijvoorbeeld als een gedefinieerd antwoordveld, een afgebakende waarde of een afzonderlijk codeartefact. Een rechtstreeks antwoord moet nog steeds worden gecontroleerd, terwijl langere redeneringen alleen nuttig zijn wanneer hun stappen een verifieerbare conclusie ondersteunen.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, samen met Qwen Code voor werk met programmeeragents. Definieer de toegestane acties, het beschikbare bewijs en de voltooiingscriteria. Aangesloten tools voeren bewerkingen uit en geven resultaten terug; het model gebruikt die feedback in zijn analyse. Een voorgesteld commando, een zoekopdracht of een patch moet onderscheiden blijven van een actie die werkelijk door de toepassing is uitgevoerd.
Zeer lange context en video
De uitbreiding van de ontwikkelaar gebruikt YaRN met de interleaved positie-instellingen van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens en twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan de prestaties bij kortere tekst beïnvloeden en moet dus aansluiten bij een echte behoefte aan grotere context. Invoer, visuele representaties, geschiedenis, redeneringen en het definitieve antwoord gebruiken allemaal het ingestelde sequentiebudget.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal van ongeveer een uur raadt de ontwikkelaar aan het processorbudget te vergroten tot circa 224K videotokens, om sampling met een hogere frequentie mogelijk te maken. Dit is een configuratieafhankelijk recept, geen universele garantie voor mediaduur, het volledig terughalen van informatie of nauwkeurige timestamps.
Generatierichtlijnen en inhoudelijke beperkingen
De Best Practices bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan voor algemeen denkwerk. Nauwkeurig programmeerwerk gebruikt temperature 0.6 en presence penalty nul. Algemene rechtstreekse antwoorden gebruiken temperature 0.7, top_p 0.8 en presence penalty 1.5; top_k is 20, min_p is 0 en repetition penalty is 1.0. Redeneren met rechtstreekse antwoorden heeft een afzonderlijke preset: temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Hogere presence penalties kunnen talen mengen of de kwaliteit licht verlagen.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste aanvragen en 81,920 voor uitzonderlijk complex wiskundig of programmeerwerk; het zijn geen afzonderlijk vastgestelde harde uitvoerlimieten. Definieer het gevraagde formaat, behoud bronidentificaties en controleer berekeningen, geëxtraheerde waarden en voorgestelde code aan de hand van het oorspronkelijke bewijs. Het nuttige resultaat is een volledig tekstartefact waarvan de aannames en het ondersteunende materiaal zichtbaar blijven.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-122b-a10b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00458 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00458 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-122b-a10b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.