Qwen3.5-verbeteringen in de dense 27B-editie
Qwen3.5-27B is een nagetraind dense vision-language-model. Tekst, afbeeldingen en video kunnen in één taak worden gecombineerd, terwijl het resultaat tekst is: een uitleg, codevoorstel, geëxtraheerde informatie of een ander gevraagd artefact. De vroege fusie van tekstuele en visuele training binnen de familie ontwikkelt redeneer-, programmeer-, agent- en visuele vaardigheden, met reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten.
Die taaldekking helpt meertalige taken te kaderen, maar garandeert geen identieke betrouwbaarheid voor elk dialect of elke specialistische woordenschat. Geef de doeltaal, het publiek en de termen die ongewijzigd moeten blijven. Geef voor een documentvergelijking over talen heen elke bron een label en vraag om een resultaat dat is geordend volgens de te vergelijken feiten of vragen.
Modeloverzicht
De specifieke 27B-editie is dense, met 64 taalmodellagen en een vision encoder. De hybride opbouw wisselt groepen van drie Gated DeltaNet-lagen en één laag met gated attention af en gebruikt dense feedforwardnetwerken. Multi-token prediction maakt deel uit van de training. De sparse mixture-of-experts-architectuur die voor andere Qwen3.5-groottes wordt beschreven, mag niet aan dit model worden toegekend; de identiteit met 27 miljard parameters is de eigen checkpointspecificatie.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Qwen raadt voor complexe denktaken aan om waar mogelijk minstens een context van 128K te behouden, met kleinere instellingen wanneer geheugenbeperkingen die vereisen. Dit is configuratieadvies, geen bewijs dat elke interface de volledige context beschikbaar stelt. Brontekst, visuele tokens, geschiedenis, redeneringen en het antwoord delen de sequentieruimte.
Tekst en visueel materiaal voorbereiden
Behoud bij een technisch document de onderdeelidentificaties en vraag om een vereistentabel of uitleg die door die onderdelen wordt onderbouwd. Behoud bij een diagram de labels en geef definities die niet zichtbaar zijn in de afbeelding. Geef voor een programmeertaak de relevante functie, het waargenomen gedrag en het vereiste resultaat. Een nuttig antwoord moet het gebruikte bewijs aanduiden, aannames afzonderlijk vermelden en het definitieve artefact teruggeven in een vorm die kan worden beoordeeld.
Benoem bij een videovraag de gebeurtenis of volgorde die van belang is en behoud de timing en framevolgorde. Het voorbeeld van de ontwikkelaar gebruikt twee frames per seconde in de ondersteunde workflow. De richtlijnen voor lange video raden een groter processorbudget aan, overeenkomend met circa 224K videotokens, voor analyse met een hogere samplingfrequentie van video's van ongeveer een uur. Die instellingen vereisen configuratie en leggen geen universele duur of garantie op exacte gebeurtenistimestamps vast.
Denken en rechtstreekse antwoorden
Denken staat standaard aan en gaat vooraf aan het definitieve antwoord. enable_thinking kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.5 ondersteunt de oudere softschakelaars /think en /nothink niet officieel. De ontwikkelaar raadt aan om in eerdere assistentberichten alleen de definitieve antwoordtekst te bewaren, zonder de denkinhoud. Dit zijn de voorwaarden voor Qwen3.5 en ze moeten gescheiden blijven van het gedrag voor het behoud van eerdere redeneringen dat voor latere releases is gedocumenteerd.
Kies vóór het indienen van de taak een eindvorm: een korte conclusie met ondersteunende waarden, een tabel met geëxtraheerde velden of een toegelichte codepatch. Een rechtstreeks antwoord blijft een gegenereerd antwoord dat moet worden nagekeken; een lang denktranscript is geen onafhankelijk bewijs dat de conclusie correct is.
Gebruik met agents
De ontwikkelaar ondersteunt tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, plus Qwen Code voor workflows met programmeeragents. Geef de tools van de toepassing een duidelijke rol en geef hun daadwerkelijke waarnemingen aan het model terug. Het model kan met die feedback plannen en bijsturen, terwijl de toepassing de acties uitvoert. Toolondersteuning bewijst op zichzelf geen ingebouwde toegang tot internet, bestanden of een omgeving voor code-uitvoering via elke interface.
Zeer lange tekst
De uitbreiding gebruikt YaRN met de eigen positieconfiguratie van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor 524,288 tokens. Statische schaling kan de kwaliteit bij kortere tekst verlagen. De ontwikkelaar raadt ze daarom aan wanneer de grotere context werkelijk nodig is. Houd lang materiaal geordend en reserveer ruimte voor het vereiste antwoord, in plaats van het grootste contextgetal te interpreteren als het onbeperkt terughalen van informatie uit documenten.
Generatierichtlijnen en 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 gebruikt de afzonderlijke Best Practices-preset van 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 taken en 81,920 voor uitzonderlijk complexe wiskunde of programmering. Het zijn geen onafhankelijke harde uitvoerlimieten. Vermeld het antwoordschema of het scheidingsteken expliciet en controleer code, berekeningen, citaten en visuele details aan de hand van de bron. Het nuttige resultaat is een concreet tekstartefact met behoud van de exacte dense 27B-identiteit, invoer en antwoordmodus.
", "aboutText": "Qwen3.5-verbeteringen in de dense 27B-editie\n\nQwen3.5-27B is een nagetraind dense vision-language-model. Tekst, afbeeldingen en video kunnen in één taak worden gecombineerd, terwijl het resultaat tekst is: een uitleg, codevoorstel, geëxtraheerde informatie of een ander gevraagd artefact. De vroege fusie van tekstuele en visuele training binnen de familie ontwikkelt redeneer-, programmeer-, agent- en visuele vaardigheden, met reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten.\n\nDie taaldekking helpt meertalige taken te kaderen, maar garandeert geen identieke betrouwbaarheid voor elk dialect of elke specialistische woordenschat. Geef de doeltaal, het publiek en de termen die ongewijzigd moeten blijven. Geef voor een documentvergelijking over talen heen elke bron een label en vraag om een resultaat dat is geordend volgens de te vergelijken feiten of vragen.\n\nModeloverzicht\n\nDe specifieke 27B-editie is dense, met 64 taalmodellagen en een vision encoder. De hybride opbouw wisselt groepen van drie Gated DeltaNet-lagen en één laag met gated attention af en gebruikt dense feedforwardnetwerken. Multi-token prediction maakt deel uit van de training. De sparse mixture-of-experts-architectuur die voor andere Qwen3.5-groottes wordt beschreven, mag niet aan dit model worden toegekend; de identiteit met 27 miljard parameters is de eigen checkpointspecificatie.\n\nDe native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Qwen raadt voor complexe denktaken aan om waar mogelijk minstens een context van 128K te behouden, met kleinere instellingen wanneer geheugenbeperkingen die vereisen. Dit is configuratieadvies, geen bewijs dat elke interface de volledige context beschikbaar stelt. Brontekst, visuele tokens, geschiedenis, redeneringen en het antwoord delen de sequentieruimte.\n\nTekst en visueel materiaal voorbereiden\n\nBehoud bij een technisch document de onderdeelidentificaties en vraag om een vereistentabel of uitleg die door die onderdelen wordt onderbouwd. Behoud bij een diagram de labels en geef definities die niet zichtbaar zijn in de afbeelding. Geef voor een programmeertaak de relevante functie, het waargenomen gedrag en het vereiste resultaat. Een nuttig antwoord moet het gebruikte bewijs aanduiden, aannames afzonderlijk vermelden en het definitieve artefact teruggeven in een vorm die kan worden beoordeeld.\n\nBenoem bij een videovraag de gebeurtenis of volgorde die van belang is en behoud de timing en framevolgorde. Het voorbeeld van de ontwikkelaar gebruikt twee frames per seconde in de ondersteunde workflow. De richtlijnen voor lange video raden een groter processorbudget aan, overeenkomend met circa 224K videotokens, voor analyse met een hogere samplingfrequentie van video's van ongeveer een uur. Die instellingen vereisen configuratie en leggen geen universele duur of garantie op exacte gebeurtenistimestamps vast.\n\nDenken en rechtstreekse antwoorden\n\nDenken staat standaard aan en gaat vooraf aan het definitieve antwoord. enable_thinking kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.5 ondersteunt de oudere softschakelaars /think en /nothink niet officieel. De ontwikkelaar raadt aan om in eerdere assistentberichten alleen de definitieve antwoordtekst te bewaren, zonder de denkinhoud. Dit zijn de voorwaarden voor Qwen3.5 en ze moeten gescheiden blijven van het gedrag voor het behoud van eerdere redeneringen dat voor latere releases is gedocumenteerd.\n\nKies vóór het indienen van de taak een eindvorm: een korte conclusie met ondersteunende waarden, een tabel met geëxtraheerde velden of een toegelichte codepatch. Een rechtstreeks antwoord blijft een gegenereerd antwoord dat moet worden nagekeken; een lang denktranscript is geen onafhankelijk bewijs dat de conclusie correct is.\n\nGebruik met agents\n\nDe ontwikkelaar ondersteunt tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, plus Qwen Code voor workflows met programmeeragents. Geef de tools van de toepassing een duidelijke rol en geef hun daadwerkelijke waarnemingen aan het model terug. Het model kan met die feedback plannen en bijsturen, terwijl de toepassing de acties uitvoert. Toolondersteuning bewijst op zichzelf geen ingebouwde toegang tot internet, bestanden of een omgeving voor code-uitvoering via elke interface.\n\nZeer lange tekst\n\nDe uitbreiding gebruikt YaRN met de eigen positieconfiguratie van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor 524,288 tokens. Statische schaling kan de kwaliteit bij kortere tekst verlagen. De ontwikkelaar raadt ze daarom aan wanneer de grotere context werkelijk nodig is. Houd lang materiaal geordend en reserveer ruimte voor het vereiste antwoord, in plaats van het grootste contextgetal te interpreteren als het onbeperkt terughalen van informatie uit documenten.\n\nGeneratierichtlijnen en 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 gebruikt de afzonderlijke Best Practices-preset van 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 taken en 81,920 voor uitzonderlijk complexe wiskunde of programmering. Het zijn geen onafhankelijke harde uitvoerlimieten. Vermeld het antwoordschema of het scheidingsteken expliciet en controleer code, berekeningen, citaten en visuele details aan de hand van de bron. Het nuttige resultaat is een concreet tekstartefact met behoud van de exacte dense 27B-identiteit, invoer en antwoordmodus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B is het dense vision-language-model van Qwen met 27 miljard parameters voor tekst, afbeeldingen en video, met tekstuele uitvoer. Het ondersteunt redeneren, programmeren, werk met toolondersteuning en meertalige taken, 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 in de dense 27B-editie
Qwen3.5-27B is een nagetraind dense vision-language-model. Tekst, afbeeldingen en video kunnen in één taak worden gecombineerd, terwijl het resultaat tekst is: een uitleg, codevoorstel, geëxtraheerde informatie of een ander gevraagd artefact. De vroege fusie van tekstuele en visuele training binnen de familie ontwikkelt redeneer-, programmeer-, agent- en visuele vaardigheden, met reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten.
Die taaldekking helpt meertalige taken te kaderen, maar garandeert geen identieke betrouwbaarheid voor elk dialect of elke specialistische woordenschat. Geef de doeltaal, het publiek en de termen die ongewijzigd moeten blijven. Geef voor een documentvergelijking over talen heen elke bron een label en vraag om een resultaat dat is geordend volgens de te vergelijken feiten of vragen.
Modeloverzicht
De specifieke 27B-editie is dense, met 64 taalmodellagen en een vision encoder. De hybride opbouw wisselt groepen van drie Gated DeltaNet-lagen en één laag met gated attention af en gebruikt dense feedforwardnetwerken. Multi-token prediction maakt deel uit van de training. De sparse mixture-of-experts-architectuur die voor andere Qwen3.5-groottes wordt beschreven, mag niet aan dit model worden toegekend; de identiteit met 27 miljard parameters is de eigen checkpointspecificatie.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Qwen raadt voor complexe denktaken aan om waar mogelijk minstens een context van 128K te behouden, met kleinere instellingen wanneer geheugenbeperkingen die vereisen. Dit is configuratieadvies, geen bewijs dat elke interface de volledige context beschikbaar stelt. Brontekst, visuele tokens, geschiedenis, redeneringen en het antwoord delen de sequentieruimte.
Tekst en visueel materiaal voorbereiden
Behoud bij een technisch document de onderdeelidentificaties en vraag om een vereistentabel of uitleg die door die onderdelen wordt onderbouwd. Behoud bij een diagram de labels en geef definities die niet zichtbaar zijn in de afbeelding. Geef voor een programmeertaak de relevante functie, het waargenomen gedrag en het vereiste resultaat. Een nuttig antwoord moet het gebruikte bewijs aanduiden, aannames afzonderlijk vermelden en het definitieve artefact teruggeven in een vorm die kan worden beoordeeld.
Benoem bij een videovraag de gebeurtenis of volgorde die van belang is en behoud de timing en framevolgorde. Het voorbeeld van de ontwikkelaar gebruikt twee frames per seconde in de ondersteunde workflow. De richtlijnen voor lange video raden een groter processorbudget aan, overeenkomend met circa 224K videotokens, voor analyse met een hogere samplingfrequentie van video's van ongeveer een uur. Die instellingen vereisen configuratie en leggen geen universele duur of garantie op exacte gebeurtenistimestamps vast.
Denken en rechtstreekse antwoorden
Denken staat standaard aan en gaat vooraf aan het definitieve antwoord. enable_thinking kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.5 ondersteunt de oudere softschakelaars /think en /nothink niet officieel. De ontwikkelaar raadt aan om in eerdere assistentberichten alleen de definitieve antwoordtekst te bewaren, zonder de denkinhoud. Dit zijn de voorwaarden voor Qwen3.5 en ze moeten gescheiden blijven van het gedrag voor het behoud van eerdere redeneringen dat voor latere releases is gedocumenteerd.
Kies vóór het indienen van de taak een eindvorm: een korte conclusie met ondersteunende waarden, een tabel met geëxtraheerde velden of een toegelichte codepatch. Een rechtstreeks antwoord blijft een gegenereerd antwoord dat moet worden nagekeken; een lang denktranscript is geen onafhankelijk bewijs dat de conclusie correct is.
Gebruik met agents
De ontwikkelaar ondersteunt tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, plus Qwen Code voor workflows met programmeeragents. Geef de tools van de toepassing een duidelijke rol en geef hun daadwerkelijke waarnemingen aan het model terug. Het model kan met die feedback plannen en bijsturen, terwijl de toepassing de acties uitvoert. Toolondersteuning bewijst op zichzelf geen ingebouwde toegang tot internet, bestanden of een omgeving voor code-uitvoering via elke interface.
Zeer lange tekst
De uitbreiding gebruikt YaRN met de eigen positieconfiguratie van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor 524,288 tokens. Statische schaling kan de kwaliteit bij kortere tekst verlagen. De ontwikkelaar raadt ze daarom aan wanneer de grotere context werkelijk nodig is. Houd lang materiaal geordend en reserveer ruimte voor het vereiste antwoord, in plaats van het grootste contextgetal te interpreteren als het onbeperkt terughalen van informatie uit documenten.
Generatierichtlijnen en 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 gebruikt de afzonderlijke Best Practices-preset van 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 taken en 81,920 voor uitzonderlijk complexe wiskunde of programmering. Het zijn geen onafhankelijke harde uitvoerlimieten. Vermeld het antwoordschema of het scheidingsteken expliciet en controleer code, berekeningen, citaten en visuele details aan de hand van de bron. Het nuttige resultaat is een concreet tekstartefact met behoud van de exacte dense 27B-identiteit, invoer en antwoordmodus.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-27b | 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 $0.00052 / 1K tokens Uitvoer · Uitvoertokens $0.00412 / 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 $0.00052 / 1K tokens Uitvoer · Uitvoertokens $0.00412 / 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/qwen3.5-27b", "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/qwen3.5-27b',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/qwen3.5-27b',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 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/qwen3.5-27b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.5-27bQwen3.5-27B is het dense vision-language-model van Qwen met 27 miljard parameters voor tekst, afbeeldingen en video, met tekstuele uitvoer. Het ondersteunt redeneren, programmeren, werk met toolondersteuning en meertalige taken, 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 in de dense 27B-editie
Qwen3.5-27B is een nagetraind dense vision-language-model. Tekst, afbeeldingen en video kunnen in één taak worden gecombineerd, terwijl het resultaat tekst is: een uitleg, codevoorstel, geëxtraheerde informatie of een ander gevraagd artefact. De vroege fusie van tekstuele en visuele training binnen de familie ontwikkelt redeneer-, programmeer-, agent- en visuele vaardigheden, met reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten.
Die taaldekking helpt meertalige taken te kaderen, maar garandeert geen identieke betrouwbaarheid voor elk dialect of elke specialistische woordenschat. Geef de doeltaal, het publiek en de termen die ongewijzigd moeten blijven. Geef voor een documentvergelijking over talen heen elke bron een label en vraag om een resultaat dat is geordend volgens de te vergelijken feiten of vragen.
Modeloverzicht
De specifieke 27B-editie is dense, met 64 taalmodellagen en een vision encoder. De hybride opbouw wisselt groepen van drie Gated DeltaNet-lagen en één laag met gated attention af en gebruikt dense feedforwardnetwerken. Multi-token prediction maakt deel uit van de training. De sparse mixture-of-experts-architectuur die voor andere Qwen3.5-groottes wordt beschreven, mag niet aan dit model worden toegekend; de identiteit met 27 miljard parameters is de eigen checkpointspecificatie.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Qwen raadt voor complexe denktaken aan om waar mogelijk minstens een context van 128K te behouden, met kleinere instellingen wanneer geheugenbeperkingen die vereisen. Dit is configuratieadvies, geen bewijs dat elke interface de volledige context beschikbaar stelt. Brontekst, visuele tokens, geschiedenis, redeneringen en het antwoord delen de sequentieruimte.
Tekst en visueel materiaal voorbereiden
Behoud bij een technisch document de onderdeelidentificaties en vraag om een vereistentabel of uitleg die door die onderdelen wordt onderbouwd. Behoud bij een diagram de labels en geef definities die niet zichtbaar zijn in de afbeelding. Geef voor een programmeertaak de relevante functie, het waargenomen gedrag en het vereiste resultaat. Een nuttig antwoord moet het gebruikte bewijs aanduiden, aannames afzonderlijk vermelden en het definitieve artefact teruggeven in een vorm die kan worden beoordeeld.
Benoem bij een videovraag de gebeurtenis of volgorde die van belang is en behoud de timing en framevolgorde. Het voorbeeld van de ontwikkelaar gebruikt twee frames per seconde in de ondersteunde workflow. De richtlijnen voor lange video raden een groter processorbudget aan, overeenkomend met circa 224K videotokens, voor analyse met een hogere samplingfrequentie van video's van ongeveer een uur. Die instellingen vereisen configuratie en leggen geen universele duur of garantie op exacte gebeurtenistimestamps vast.
Denken en rechtstreekse antwoorden
Denken staat standaard aan en gaat vooraf aan het definitieve antwoord. enable_thinking kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.5 ondersteunt de oudere softschakelaars /think en /nothink niet officieel. De ontwikkelaar raadt aan om in eerdere assistentberichten alleen de definitieve antwoordtekst te bewaren, zonder de denkinhoud. Dit zijn de voorwaarden voor Qwen3.5 en ze moeten gescheiden blijven van het gedrag voor het behoud van eerdere redeneringen dat voor latere releases is gedocumenteerd.
Kies vóór het indienen van de taak een eindvorm: een korte conclusie met ondersteunende waarden, een tabel met geëxtraheerde velden of een toegelichte codepatch. Een rechtstreeks antwoord blijft een gegenereerd antwoord dat moet worden nagekeken; een lang denktranscript is geen onafhankelijk bewijs dat de conclusie correct is.
Gebruik met agents
De ontwikkelaar ondersteunt tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, plus Qwen Code voor workflows met programmeeragents. Geef de tools van de toepassing een duidelijke rol en geef hun daadwerkelijke waarnemingen aan het model terug. Het model kan met die feedback plannen en bijsturen, terwijl de toepassing de acties uitvoert. Toolondersteuning bewijst op zichzelf geen ingebouwde toegang tot internet, bestanden of een omgeving voor code-uitvoering via elke interface.
Zeer lange tekst
De uitbreiding gebruikt YaRN met de eigen positieconfiguratie van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor 524,288 tokens. Statische schaling kan de kwaliteit bij kortere tekst verlagen. De ontwikkelaar raadt ze daarom aan wanneer de grotere context werkelijk nodig is. Houd lang materiaal geordend en reserveer ruimte voor het vereiste antwoord, in plaats van het grootste contextgetal te interpreteren als het onbeperkt terughalen van informatie uit documenten.
Generatierichtlijnen en 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 gebruikt de afzonderlijke Best Practices-preset van 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 taken en 81,920 voor uitzonderlijk complexe wiskunde of programmering. Het zijn geen onafhankelijke harde uitvoerlimieten. Vermeld het antwoordschema of het scheidingsteken expliciet en controleer code, berekeningen, citaten en visuele details aan de hand van de bron. Het nuttige resultaat is een concreet tekstartefact met behoud van de exacte dense 27B-identiteit, invoer en antwoordmodus.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-27b | 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 $0.00052 / 1K tokens Uitvoer · Uitvoertokens $0.00412 / 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 $0.00052 / 1K tokens Uitvoer · Uitvoertokens $0.00412 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-27b', '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/qwen3.5-27b', '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 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/qwen3.5-27b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.