Qwen3.5-verbeteringen: een sparse vision-language-checkpoint
Qwen3.5-35B-A3B is een nagetraind vision-language-model dat begrip van tekst, afbeeldingen en video combineert met tekstuele antwoorden. De familie is getraind met vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken en ondersteunt redeneren, programmeren, agents en visuele analyse. Ze beschrijft ook dekking van 201 talen en dialecten. Die dekking is een mogelijkheid van de familie, geen belofte van gelijke kwaliteit voor elke taal of taak.
Het specifieke open checkpoint staat los van Qwen3.5-35B-A3B-Base en de latere Qwen3.6-release. De ontwikkelaar beschrijft ook een beheerd Flash-aanbod met extra functies; die interfacefuncties mogen niet automatisch aan dit open checkpoint worden toegeschreven. Behoud de gevraagde 35B-A3B-identiteit wanneer u resultaten vergelijkt of een reproduceerbare modelkeuze bewaart.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert er drie miljard. De hybride opbouw met 40 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. Het heeft 256 routed experts, met acht routed experts en één gedeelde expert actief in de gedocumenteerde opbouw. Een vision encoder en multi-token prediction maken deel uit van het model. Het aantal geactiveerde parameters beschrijft niet de volledige checkpointgrootte, en de architectuur alleen garandeert geen latentie in een bepaalde toepassing.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Qwen adviseert voor complexe denktaken waar mogelijk minstens een context van 128K te behouden, ook als een kleiner venster de geheugendruk zou verlagen. Tekst, visuele representaties, geschiedenis, redeneringen en het definitieve antwoord hebben allemaal ruimte nodig in de ingestelde sequentie.
Invoer en antwoordmodi gebruiken
Geef voor een programmeeraanvraag op basis van een screenshot de visuele referentie, de bestaande broncontext, de interactievereisten en het verwachte bewerkbare artefact. Behoud bij een grafiek of document de labels en eenheden en vraag om een tabel met waarden en ondersteunend bewijs. Vermeld voor een meertalige uitleg de doeltaal en de te behouden termen.
Denken staat standaard aan en produceert een redeneerblok vóór het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.5 ondersteunt de oude soft-promptschakelaars /think en /nothink niet officieel. De geschiedenisrichtlijn bewaart definitieve antwoorden zonder denkinhoud. Dit moet gescheiden blijven van latere bewaaropties in Qwen3.6 of het standaardbehoud van eerdere redeneringen in Qwen3.8.
Gebruik met agents
De ontwikkelaar documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, naast Qwen Code voor repositorygericht werk. Definieer de toegestane bewerkingen, het relevante bewijs en het definitieve resultaat. De toepassing voert tools uit en levert hun waarnemingen; het model kan die feedback gebruiken om zijn analyse bij te sturen. Een gepland commando of een gegenereerde patch is geen uitgevoerde actie, en de modelnaam alleen bewijst geen toegang tot actuele informatie of bestanden.
Zeer lange context
Het uitbreidingsrecept 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; een factor twee wordt voorgesteld voor taken van 524,288 tokens. Statische schaling kan de prestaties bij kortere tekst verlagen. Ze moet daarom worden ingesteld wanneer de grotere context nodig is. Orden lang materiaal met documentgrenzen, code-identificaties en een duidelijke vraag, in plaats van het venster met niet-relevant bewijs te vullen.
Generatieaanbevelingen
In de Best Practices gebruikt algemeen denkwerk temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0. 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. Voor redeneren in de rechtstreekse modus geven de Best Practices temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Houd deze taakspecifieke presets gescheiden; hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskunde of programmering. Dit zijn geen afzonderlijk vastgestelde harde uitvoerlimieten. Definieer de vorm van het definitieve antwoord expliciet en controleer berekeningen of gegenereerde code aan de hand van de aangeleverde voorwaarden.
Video en inhoudelijke beperkingen
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. De richtlijnen van de ontwikkelaar voor video's van ongeveer een uur breiden het processorbudget uit tot circa 224K videotokens voor sampling met een hogere frequentie. Dit vereist configuratie en verbruikt context naast de taak en het antwoord; het is geen onvoorwaardelijke garantie voor duur of het foutloos terughalen van gebeurtenissen. Behoud relevante scèneovergangen en kleine tekst en vraag om een resultaat dat aan het zichtbare bewijs is gekoppeld. De praktische waarde ligt in de gecombineerde tekstuele en visuele mogelijkheden van het checkpoint en de instelbare antwoordmodus, met een concreet artefact dat kan worden beoordeeld.
", "aboutText": "Qwen3.5-verbeteringen: een sparse vision-language-checkpoint\n\nQwen3.5-35B-A3B is een nagetraind vision-language-model dat begrip van tekst, afbeeldingen en video combineert met tekstuele antwoorden. De familie is getraind met vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken en ondersteunt redeneren, programmeren, agents en visuele analyse. Ze beschrijft ook dekking van 201 talen en dialecten. Die dekking is een mogelijkheid van de familie, geen belofte van gelijke kwaliteit voor elke taal of taak.\n\nHet specifieke open checkpoint staat los van Qwen3.5-35B-A3B-Base en de latere Qwen3.6-release. De ontwikkelaar beschrijft ook een beheerd Flash-aanbod met extra functies; die interfacefuncties mogen niet automatisch aan dit open checkpoint worden toegeschreven. Behoud de gevraagde 35B-A3B-identiteit wanneer u resultaten vergelijkt of een reproduceerbare modelkeuze bewaart.\n\nModeloverzicht\n\nHet mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert er drie miljard. De hybride opbouw met 40 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. Het heeft 256 routed experts, met acht routed experts en één gedeelde expert actief in de gedocumenteerde opbouw. Een vision encoder en multi-token prediction maken deel uit van het model. Het aantal geactiveerde parameters beschrijft niet de volledige checkpointgrootte, en de architectuur alleen garandeert geen latentie in een bepaalde toepassing.\n\nDe native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Qwen adviseert voor complexe denktaken waar mogelijk minstens een context van 128K te behouden, ook als een kleiner venster de geheugendruk zou verlagen. Tekst, visuele representaties, geschiedenis, redeneringen en het definitieve antwoord hebben allemaal ruimte nodig in de ingestelde sequentie.\n\nInvoer en antwoordmodi gebruiken\n\nGeef voor een programmeeraanvraag op basis van een screenshot de visuele referentie, de bestaande broncontext, de interactievereisten en het verwachte bewerkbare artefact. Behoud bij een grafiek of document de labels en eenheden en vraag om een tabel met waarden en ondersteunend bewijs. Vermeld voor een meertalige uitleg de doeltaal en de te behouden termen.\n\nDenken staat standaard aan en produceert een redeneerblok vóór het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.5 ondersteunt de oude soft-promptschakelaars /think en /nothink niet officieel. De geschiedenisrichtlijn bewaart definitieve antwoorden zonder denkinhoud. Dit moet gescheiden blijven van latere bewaaropties in Qwen3.6 of het standaardbehoud van eerdere redeneringen in Qwen3.8.\n\nGebruik met agents\n\nDe ontwikkelaar documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, naast Qwen Code voor repositorygericht werk. Definieer de toegestane bewerkingen, het relevante bewijs en het definitieve resultaat. De toepassing voert tools uit en levert hun waarnemingen; het model kan die feedback gebruiken om zijn analyse bij te sturen. Een gepland commando of een gegenereerde patch is geen uitgevoerde actie, en de modelnaam alleen bewijst geen toegang tot actuele informatie of bestanden.\n\nZeer lange context\n\nHet uitbreidingsrecept 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; een factor twee wordt voorgesteld voor taken van 524,288 tokens. Statische schaling kan de prestaties bij kortere tekst verlagen. Ze moet daarom worden ingesteld wanneer de grotere context nodig is. Orden lang materiaal met documentgrenzen, code-identificaties en een duidelijke vraag, in plaats van het venster met niet-relevant bewijs te vullen.\n\nGeneratieaanbevelingen\n\nIn de Best Practices gebruikt algemeen denkwerk temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0. 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. Voor redeneren in de rechtstreekse modus geven de Best Practices temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Houd deze taakspecifieke presets gescheiden; hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.\n\nDe aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskunde of programmering. Dit zijn geen afzonderlijk vastgestelde harde uitvoerlimieten. Definieer de vorm van het definitieve antwoord expliciet en controleer berekeningen of gegenereerde code aan de hand van de aangeleverde voorwaarden.\n\nVideo en inhoudelijke beperkingen\n\nHet ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. De richtlijnen van de ontwikkelaar voor video's van ongeveer een uur breiden het processorbudget uit tot circa 224K videotokens voor sampling met een hogere frequentie. Dit vereist configuratie en verbruikt context naast de taak en het antwoord; het is geen onvoorwaardelijke garantie voor duur of het foutloos terughalen van gebeurtenissen. Behoud relevante scèneovergangen en kleine tekst en vraag om een resultaat dat aan het zichtbare bewijs is gekoppeld. De praktische waarde ligt in de gecombineerde tekstuele en visuele mogelijkheden van het checkpoint en de instelbare antwoordmodus, met een concreet artefact dat kan worden beoordeeld.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B is het vision-language mixture-of-experts-model van Qwen met in totaal 35 miljard parameters waarvan 3 miljard worden geactiveerd. Het verwerkt tekst, afbeeldingen en video voor redeneren, programmeren en werk met toolondersteuning, met een denkmodus en een modus voor rechtstreekse antwoorden 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: een sparse vision-language-checkpoint
Qwen3.5-35B-A3B is een nagetraind vision-language-model dat begrip van tekst, afbeeldingen en video combineert met tekstuele antwoorden. De familie is getraind met vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken en ondersteunt redeneren, programmeren, agents en visuele analyse. Ze beschrijft ook dekking van 201 talen en dialecten. Die dekking is een mogelijkheid van de familie, geen belofte van gelijke kwaliteit voor elke taal of taak.
Het specifieke open checkpoint staat los van Qwen3.5-35B-A3B-Base en de latere Qwen3.6-release. De ontwikkelaar beschrijft ook een beheerd Flash-aanbod met extra functies; die interfacefuncties mogen niet automatisch aan dit open checkpoint worden toegeschreven. Behoud de gevraagde 35B-A3B-identiteit wanneer u resultaten vergelijkt of een reproduceerbare modelkeuze bewaart.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert er drie miljard. De hybride opbouw met 40 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. Het heeft 256 routed experts, met acht routed experts en één gedeelde expert actief in de gedocumenteerde opbouw. Een vision encoder en multi-token prediction maken deel uit van het model. Het aantal geactiveerde parameters beschrijft niet de volledige checkpointgrootte, en de architectuur alleen garandeert geen latentie in een bepaalde toepassing.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Qwen adviseert voor complexe denktaken waar mogelijk minstens een context van 128K te behouden, ook als een kleiner venster de geheugendruk zou verlagen. Tekst, visuele representaties, geschiedenis, redeneringen en het definitieve antwoord hebben allemaal ruimte nodig in de ingestelde sequentie.
Invoer en antwoordmodi gebruiken
Geef voor een programmeeraanvraag op basis van een screenshot de visuele referentie, de bestaande broncontext, de interactievereisten en het verwachte bewerkbare artefact. Behoud bij een grafiek of document de labels en eenheden en vraag om een tabel met waarden en ondersteunend bewijs. Vermeld voor een meertalige uitleg de doeltaal en de te behouden termen.
Denken staat standaard aan en produceert een redeneerblok vóór het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.5 ondersteunt de oude soft-promptschakelaars /think en /nothink niet officieel. De geschiedenisrichtlijn bewaart definitieve antwoorden zonder denkinhoud. Dit moet gescheiden blijven van latere bewaaropties in Qwen3.6 of het standaardbehoud van eerdere redeneringen in Qwen3.8.
Gebruik met agents
De ontwikkelaar documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, naast Qwen Code voor repositorygericht werk. Definieer de toegestane bewerkingen, het relevante bewijs en het definitieve resultaat. De toepassing voert tools uit en levert hun waarnemingen; het model kan die feedback gebruiken om zijn analyse bij te sturen. Een gepland commando of een gegenereerde patch is geen uitgevoerde actie, en de modelnaam alleen bewijst geen toegang tot actuele informatie of bestanden.
Zeer lange context
Het uitbreidingsrecept 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; een factor twee wordt voorgesteld voor taken van 524,288 tokens. Statische schaling kan de prestaties bij kortere tekst verlagen. Ze moet daarom worden ingesteld wanneer de grotere context nodig is. Orden lang materiaal met documentgrenzen, code-identificaties en een duidelijke vraag, in plaats van het venster met niet-relevant bewijs te vullen.
Generatieaanbevelingen
In de Best Practices gebruikt algemeen denkwerk temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0. 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. Voor redeneren in de rechtstreekse modus geven de Best Practices temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Houd deze taakspecifieke presets gescheiden; hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskunde of programmering. Dit zijn geen afzonderlijk vastgestelde harde uitvoerlimieten. Definieer de vorm van het definitieve antwoord expliciet en controleer berekeningen of gegenereerde code aan de hand van de aangeleverde voorwaarden.
Video en inhoudelijke beperkingen
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. De richtlijnen van de ontwikkelaar voor video's van ongeveer een uur breiden het processorbudget uit tot circa 224K videotokens voor sampling met een hogere frequentie. Dit vereist configuratie en verbruikt context naast de taak en het antwoord; het is geen onvoorwaardelijke garantie voor duur of het foutloos terughalen van gebeurtenissen. Behoud relevante scèneovergangen en kleine tekst en vraag om een resultaat dat aan het zichtbare bewijs is gekoppeld. De praktische waarde ligt in de gecombineerde tekstuele en visuele mogelijkheden van het checkpoint en de instelbare antwoordmodus, met een concreet artefact dat kan worden beoordeeld.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.00366 / 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 $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.00366 / 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/qwen3.5-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.5-35b-a3b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B is het vision-language mixture-of-experts-model van Qwen met in totaal 35 miljard parameters waarvan 3 miljard worden geactiveerd. Het verwerkt tekst, afbeeldingen en video voor redeneren, programmeren en werk met toolondersteuning, met een denkmodus en een modus voor rechtstreekse antwoorden 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: een sparse vision-language-checkpoint
Qwen3.5-35B-A3B is een nagetraind vision-language-model dat begrip van tekst, afbeeldingen en video combineert met tekstuele antwoorden. De familie is getraind met vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken en ondersteunt redeneren, programmeren, agents en visuele analyse. Ze beschrijft ook dekking van 201 talen en dialecten. Die dekking is een mogelijkheid van de familie, geen belofte van gelijke kwaliteit voor elke taal of taak.
Het specifieke open checkpoint staat los van Qwen3.5-35B-A3B-Base en de latere Qwen3.6-release. De ontwikkelaar beschrijft ook een beheerd Flash-aanbod met extra functies; die interfacefuncties mogen niet automatisch aan dit open checkpoint worden toegeschreven. Behoud de gevraagde 35B-A3B-identiteit wanneer u resultaten vergelijkt of een reproduceerbare modelkeuze bewaart.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert er drie miljard. De hybride opbouw met 40 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. Het heeft 256 routed experts, met acht routed experts en één gedeelde expert actief in de gedocumenteerde opbouw. Een vision encoder en multi-token prediction maken deel uit van het model. Het aantal geactiveerde parameters beschrijft niet de volledige checkpointgrootte, en de architectuur alleen garandeert geen latentie in een bepaalde toepassing.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Qwen adviseert voor complexe denktaken waar mogelijk minstens een context van 128K te behouden, ook als een kleiner venster de geheugendruk zou verlagen. Tekst, visuele representaties, geschiedenis, redeneringen en het definitieve antwoord hebben allemaal ruimte nodig in de ingestelde sequentie.
Invoer en antwoordmodi gebruiken
Geef voor een programmeeraanvraag op basis van een screenshot de visuele referentie, de bestaande broncontext, de interactievereisten en het verwachte bewerkbare artefact. Behoud bij een grafiek of document de labels en eenheden en vraag om een tabel met waarden en ondersteunend bewijs. Vermeld voor een meertalige uitleg de doeltaal en de te behouden termen.
Denken staat standaard aan en produceert een redeneerblok vóór het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.5 ondersteunt de oude soft-promptschakelaars /think en /nothink niet officieel. De geschiedenisrichtlijn bewaart definitieve antwoorden zonder denkinhoud. Dit moet gescheiden blijven van latere bewaaropties in Qwen3.6 of het standaardbehoud van eerdere redeneringen in Qwen3.8.
Gebruik met agents
De ontwikkelaar documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, naast Qwen Code voor repositorygericht werk. Definieer de toegestane bewerkingen, het relevante bewijs en het definitieve resultaat. De toepassing voert tools uit en levert hun waarnemingen; het model kan die feedback gebruiken om zijn analyse bij te sturen. Een gepland commando of een gegenereerde patch is geen uitgevoerde actie, en de modelnaam alleen bewijst geen toegang tot actuele informatie of bestanden.
Zeer lange context
Het uitbreidingsrecept 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; een factor twee wordt voorgesteld voor taken van 524,288 tokens. Statische schaling kan de prestaties bij kortere tekst verlagen. Ze moet daarom worden ingesteld wanneer de grotere context nodig is. Orden lang materiaal met documentgrenzen, code-identificaties en een duidelijke vraag, in plaats van het venster met niet-relevant bewijs te vullen.
Generatieaanbevelingen
In de Best Practices gebruikt algemeen denkwerk temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0. 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. Voor redeneren in de rechtstreekse modus geven de Best Practices temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Houd deze taakspecifieke presets gescheiden; hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskunde of programmering. Dit zijn geen afzonderlijk vastgestelde harde uitvoerlimieten. Definieer de vorm van het definitieve antwoord expliciet en controleer berekeningen of gegenereerde code aan de hand van de aangeleverde voorwaarden.
Video en inhoudelijke beperkingen
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. De richtlijnen van de ontwikkelaar voor video's van ongeveer een uur breiden het processorbudget uit tot circa 224K videotokens voor sampling met een hogere frequentie. Dit vereist configuratie en verbruikt context naast de taak en het antwoord; het is geen onvoorwaardelijke garantie voor duur of het foutloos terughalen van gebeurtenissen. Behoud relevante scèneovergangen en kleine tekst en vraag om een resultaat dat aan het zichtbare bewijs is gekoppeld. De praktische waarde ligt in de gecombineerde tekstuele en visuele mogelijkheden van het checkpoint en de instelbare antwoordmodus, met een concreet artefact dat kan worden beoordeeld.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.00366 / 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 $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.00366 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.5-35b-a3b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.