Qwen3.5-verbeteringen: het 397B-A17B-checkpoint
Qwen3.5-397B-A17B is het nagetrainde vision-language mixture-of-experts-model in de Qwen3.5-familie. Het verwerkt tekst, afbeeldingen en video en genereert tekst: uitleg, codevoorstellen, analyse en gevraagde documentartefacten. De familie gebruikt vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken om redeneren, programmeren, agents en visueel begrip te ontwikkelen. De gedocumenteerde taaldekking bedraagt 201 talen en dialecten en belooft geen identieke betrouwbaarheid voor elke taal of elk specialisme.
De ontwikkelaar beschrijft afzonderlijk het beheerde Qwen3.5-Plus als een overeenkomstig aanbod met extra productiefuncties. Behoud de eigen identiteit, context en het generatierecept van dit open checkpoint, in plaats van elke beheerde functie of latere Qwen-instelling over te nemen. De specifieke 397B-A17B-editie blijft gescheiden van kleinere dense modellen en expertmodellen in dezelfde familie.
Modeloverzicht
Het model heeft in totaal 397 miljard parameters en activeert er 17 miljard. De hybride opbouw met 60 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 512 routed experts, waarvan tien routed experts samen met één gedeelde expert worden geselecteerd. Een vision encoder en multi-token prediction maken deel uit van het model. Totale parameters, geactiveerde parameters en de opslaggrootte van het volledige checkpoint zijn verschillende begrippen; deze aantallen leggen geen vaste responstijd vast.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Tekst, afbeeldings- of videorepresentaties, gespreksgeschiedenis, redeneringen en het definitieve antwoord delen de ingestelde sequentieruimte. Gebruik het werkelijk ingestelde budget voor een taak, in plaats van aan te nemen dat het grootste document en het grootste antwoord automatisch samen passen.
Tekstueel en visueel bewijsmateriaal voorbereiden
Geef voor een technisch project de specificatie, relevante code en diagrammen en definieer het te produceren artefact. Vraag om een implementatievoorstel dat per betrokken component is geordend en door de aangeleverde vereisten wordt onderbouwd. Behoud voor een documentvergelijking de onderdeelidentificaties, tabellabels en eenheden en vraag om een bevindingentabel met bewijs voor elke rij. Vermeld voor een meertalig rapport de doeltaal en de termen die ongewijzigd moeten blijven.
Behoud bij een afbeeldingsvraag kleine labels en geef definities die niet in de afbeelding staan. Benoem bij een videovraag de relevante gebeurtenis en behoud de framevolgorde en timing. Vergelijk de teruggegeven visuele details, citaten en gebeurtenisbeschrijvingen met de oorspronkelijke afbeeldingen, passages en timestamps. Het resultaat blijft tekstuele analyse of code; visuele invoer van het model impliceert geen generatie van afbeeldingen, video of spraak.
Denken en gespreksgeschiedenis
Denken staat standaard aan en gaat vooraf aan het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. De oudere soft-promptschakelaars /think en /nothink worden niet officieel ondersteund voor Qwen3.5. Maak het definitieve artefact na de redenering gemakkelijk terug te vinden, bijvoorbeeld als een afgebakende conclusie, bewijstabel of afzonderlijk codevoorstel.
De modelkaart raadt aan om in eerdere assistentberichten definitieve antwoorden zonder denkinhoud te bewaren. Dit verschilt van opties en standaardwaarden voor het behoud van eerdere redeneringen die in latere releases zijn geïntroduceerd. Volg de template van dit exacte checkpoint en houd correcties of toolwaarnemingen gekoppeld aan de taak die ze bijwerken.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, en Qwen Code voor workflows met programmeeragents. Vermeld de toegestane bewerkingen, het beschikbare bewijs en de waarneembare voltooiingscriteria. Een toepassing voert tools uit en levert hun resultaten; het model kan die waarnemingen gebruiken om zijn plan of uitleg bij te sturen. Een voorgesteld commando of voorgestelde patch blijft onderscheiden van een actie die werkelijk in de omgeving is uitgevoerd.
Zeer lange tekst en video
De uitbreiding van de ontwikkelaar gebruikt YaRN met de eigen 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 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. Orden een lange invoer per document, pagina of code-identificatie en laat ruimte voor het resultaat.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal van ongeveer een uur raadt de ontwikkelaar een groter processorbudget aan dat overeenkomt met 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 van dit checkpoint bevelen temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan voor de denkmodus, en temperature 0.7, top_p 0.8, top_k 20 en min_p 0 voor rechtstreekse antwoorden. Deze exacte aanbevelingen verschillen van die voor sommige kleinere Qwen3.5-edities. Waar ondersteund kan een presence penalty tussen nul en twee herhaling verminderen, maar hogere waarden 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 aanbevelingen, geen onafhankelijke harde uitvoerlimieten. Vermeld het vereiste antwoordformaat en controleer berekeningen, geëxtraheerde details en voorgestelde code aan de hand van de bron. De nuttige uitvoer is een concreet tekstartefact waarvan het bewijs en de aannames kunnen worden beoordeeld.
", "aboutText": "Qwen3.5-verbeteringen: het 397B-A17B-checkpoint\n\nQwen3.5-397B-A17B is het nagetrainde vision-language mixture-of-experts-model in de Qwen3.5-familie. Het verwerkt tekst, afbeeldingen en video en genereert tekst: uitleg, codevoorstellen, analyse en gevraagde documentartefacten. De familie gebruikt vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken om redeneren, programmeren, agents en visueel begrip te ontwikkelen. De gedocumenteerde taaldekking bedraagt 201 talen en dialecten en belooft geen identieke betrouwbaarheid voor elke taal of elk specialisme.\n\nDe ontwikkelaar beschrijft afzonderlijk het beheerde Qwen3.5-Plus als een overeenkomstig aanbod met extra productiefuncties. Behoud de eigen identiteit, context en het generatierecept van dit open checkpoint, in plaats van elke beheerde functie of latere Qwen-instelling over te nemen. De specifieke 397B-A17B-editie blijft gescheiden van kleinere dense modellen en expertmodellen in dezelfde familie.\n\nModeloverzicht\n\nHet model heeft in totaal 397 miljard parameters en activeert er 17 miljard. De hybride opbouw met 60 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 512 routed experts, waarvan tien routed experts samen met één gedeelde expert worden geselecteerd. Een vision encoder en multi-token prediction maken deel uit van het model. Totale parameters, geactiveerde parameters en de opslaggrootte van het volledige checkpoint zijn verschillende begrippen; deze aantallen leggen geen vaste responstijd vast.\n\nDe native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Tekst, afbeeldings- of videorepresentaties, gespreksgeschiedenis, redeneringen en het definitieve antwoord delen de ingestelde sequentieruimte. Gebruik het werkelijk ingestelde budget voor een taak, in plaats van aan te nemen dat het grootste document en het grootste antwoord automatisch samen passen.\n\nTekstueel en visueel bewijsmateriaal voorbereiden\n\nGeef voor een technisch project de specificatie, relevante code en diagrammen en definieer het te produceren artefact. Vraag om een implementatievoorstel dat per betrokken component is geordend en door de aangeleverde vereisten wordt onderbouwd. Behoud voor een documentvergelijking de onderdeelidentificaties, tabellabels en eenheden en vraag om een bevindingentabel met bewijs voor elke rij. Vermeld voor een meertalig rapport de doeltaal en de termen die ongewijzigd moeten blijven.\n\nBehoud bij een afbeeldingsvraag kleine labels en geef definities die niet in de afbeelding staan. Benoem bij een videovraag de relevante gebeurtenis en behoud de framevolgorde en timing. Vergelijk de teruggegeven visuele details, citaten en gebeurtenisbeschrijvingen met de oorspronkelijke afbeeldingen, passages en timestamps. Het resultaat blijft tekstuele analyse of code; visuele invoer van het model impliceert geen generatie van afbeeldingen, video of spraak.\n\nDenken en gespreksgeschiedenis\n\nDenken staat standaard aan en gaat vooraf aan het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. De oudere soft-promptschakelaars /think en /nothink worden niet officieel ondersteund voor Qwen3.5. Maak het definitieve artefact na de redenering gemakkelijk terug te vinden, bijvoorbeeld als een afgebakende conclusie, bewijstabel of afzonderlijk codevoorstel.\n\nDe modelkaart raadt aan om in eerdere assistentberichten definitieve antwoorden zonder denkinhoud te bewaren. Dit verschilt van opties en standaardwaarden voor het behoud van eerdere redeneringen die in latere releases zijn geïntroduceerd. Volg de template van dit exacte checkpoint en houd correcties of toolwaarnemingen gekoppeld aan de taak die ze bijwerken.\n\nGebruik met agents\n\nQwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, en Qwen Code voor workflows met programmeeragents. Vermeld de toegestane bewerkingen, het beschikbare bewijs en de waarneembare voltooiingscriteria. Een toepassing voert tools uit en levert hun resultaten; het model kan die waarnemingen gebruiken om zijn plan of uitleg bij te sturen. Een voorgesteld commando of voorgestelde patch blijft onderscheiden van een actie die werkelijk in de omgeving is uitgevoerd.\n\nZeer lange tekst en video\n\nDe uitbreiding van de ontwikkelaar gebruikt YaRN met de eigen 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 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. Orden een lange invoer per document, pagina of code-identificatie en laat ruimte voor het resultaat.\n\nHet ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal van ongeveer een uur raadt de ontwikkelaar een groter processorbudget aan dat overeenkomt met 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 van dit checkpoint bevelen temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan voor de denkmodus, en temperature 0.7, top_p 0.8, top_k 20 en min_p 0 voor rechtstreekse antwoorden. Deze exacte aanbevelingen verschillen van die voor sommige kleinere Qwen3.5-edities. Waar ondersteund kan een presence penalty tussen nul en twee herhaling verminderen, maar hogere waarden 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 aanbevelingen, geen onafhankelijke harde uitvoerlimieten. Vermeld het vereiste antwoordformaat en controleer berekeningen, geëxtraheerde details en voorgestelde code aan de hand van de bron. De nuttige uitvoer is een concreet tekstartefact waarvan het bewijs en de aannames kunnen worden beoordeeld.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B is het vision-language mixture-of-experts-model van Qwen met in totaal 397 miljard parameters waarvan 17 miljard worden geactiveerd. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug voor redeneren, programmeren en agenttaken, 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 397B-A17B-checkpoint
Qwen3.5-397B-A17B is het nagetrainde vision-language mixture-of-experts-model in de Qwen3.5-familie. Het verwerkt tekst, afbeeldingen en video en genereert tekst: uitleg, codevoorstellen, analyse en gevraagde documentartefacten. De familie gebruikt vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken om redeneren, programmeren, agents en visueel begrip te ontwikkelen. De gedocumenteerde taaldekking bedraagt 201 talen en dialecten en belooft geen identieke betrouwbaarheid voor elke taal of elk specialisme.
De ontwikkelaar beschrijft afzonderlijk het beheerde Qwen3.5-Plus als een overeenkomstig aanbod met extra productiefuncties. Behoud de eigen identiteit, context en het generatierecept van dit open checkpoint, in plaats van elke beheerde functie of latere Qwen-instelling over te nemen. De specifieke 397B-A17B-editie blijft gescheiden van kleinere dense modellen en expertmodellen in dezelfde familie.
Modeloverzicht
Het model heeft in totaal 397 miljard parameters en activeert er 17 miljard. De hybride opbouw met 60 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 512 routed experts, waarvan tien routed experts samen met één gedeelde expert worden geselecteerd. Een vision encoder en multi-token prediction maken deel uit van het model. Totale parameters, geactiveerde parameters en de opslaggrootte van het volledige checkpoint zijn verschillende begrippen; deze aantallen leggen geen vaste responstijd vast.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Tekst, afbeeldings- of videorepresentaties, gespreksgeschiedenis, redeneringen en het definitieve antwoord delen de ingestelde sequentieruimte. Gebruik het werkelijk ingestelde budget voor een taak, in plaats van aan te nemen dat het grootste document en het grootste antwoord automatisch samen passen.
Tekstueel en visueel bewijsmateriaal voorbereiden
Geef voor een technisch project de specificatie, relevante code en diagrammen en definieer het te produceren artefact. Vraag om een implementatievoorstel dat per betrokken component is geordend en door de aangeleverde vereisten wordt onderbouwd. Behoud voor een documentvergelijking de onderdeelidentificaties, tabellabels en eenheden en vraag om een bevindingentabel met bewijs voor elke rij. Vermeld voor een meertalig rapport de doeltaal en de termen die ongewijzigd moeten blijven.
Behoud bij een afbeeldingsvraag kleine labels en geef definities die niet in de afbeelding staan. Benoem bij een videovraag de relevante gebeurtenis en behoud de framevolgorde en timing. Vergelijk de teruggegeven visuele details, citaten en gebeurtenisbeschrijvingen met de oorspronkelijke afbeeldingen, passages en timestamps. Het resultaat blijft tekstuele analyse of code; visuele invoer van het model impliceert geen generatie van afbeeldingen, video of spraak.
Denken en gespreksgeschiedenis
Denken staat standaard aan en gaat vooraf aan het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. De oudere soft-promptschakelaars /think en /nothink worden niet officieel ondersteund voor Qwen3.5. Maak het definitieve artefact na de redenering gemakkelijk terug te vinden, bijvoorbeeld als een afgebakende conclusie, bewijstabel of afzonderlijk codevoorstel.
De modelkaart raadt aan om in eerdere assistentberichten definitieve antwoorden zonder denkinhoud te bewaren. Dit verschilt van opties en standaardwaarden voor het behoud van eerdere redeneringen die in latere releases zijn geïntroduceerd. Volg de template van dit exacte checkpoint en houd correcties of toolwaarnemingen gekoppeld aan de taak die ze bijwerken.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, en Qwen Code voor workflows met programmeeragents. Vermeld de toegestane bewerkingen, het beschikbare bewijs en de waarneembare voltooiingscriteria. Een toepassing voert tools uit en levert hun resultaten; het model kan die waarnemingen gebruiken om zijn plan of uitleg bij te sturen. Een voorgesteld commando of voorgestelde patch blijft onderscheiden van een actie die werkelijk in de omgeving is uitgevoerd.
Zeer lange tekst en video
De uitbreiding van de ontwikkelaar gebruikt YaRN met de eigen 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 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. Orden een lange invoer per document, pagina of code-identificatie en laat ruimte voor het resultaat.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal van ongeveer een uur raadt de ontwikkelaar een groter processorbudget aan dat overeenkomt met 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 van dit checkpoint bevelen temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan voor de denkmodus, en temperature 0.7, top_p 0.8, top_k 20 en min_p 0 voor rechtstreekse antwoorden. Deze exacte aanbevelingen verschillen van die voor sommige kleinere Qwen3.5-edities. Waar ondersteund kan een presence penalty tussen nul en twee herhaling verminderen, maar hogere waarden 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 aanbevelingen, geen onafhankelijke harde uitvoerlimieten. Vermeld het vereiste antwoordformaat en controleer berekeningen, geëxtraheerde details en voorgestelde code aan de hand van de bron. De nuttige uitvoer is een concreet tekstartefact waarvan het bewijs en de aannames kunnen worden beoordeeld.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K tokens Uitvoer · Uitvoertokens $0.00468 / 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 $0.00078 / 1K tokens Uitvoer · Uitvoertokens $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B is het vision-language mixture-of-experts-model van Qwen met in totaal 397 miljard parameters waarvan 17 miljard worden geactiveerd. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug voor redeneren, programmeren en agenttaken, 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 397B-A17B-checkpoint
Qwen3.5-397B-A17B is het nagetrainde vision-language mixture-of-experts-model in de Qwen3.5-familie. Het verwerkt tekst, afbeeldingen en video en genereert tekst: uitleg, codevoorstellen, analyse en gevraagde documentartefacten. De familie gebruikt vroege tekst-beeldfusie en reinforcement learning op steeds complexere taken om redeneren, programmeren, agents en visueel begrip te ontwikkelen. De gedocumenteerde taaldekking bedraagt 201 talen en dialecten en belooft geen identieke betrouwbaarheid voor elke taal of elk specialisme.
De ontwikkelaar beschrijft afzonderlijk het beheerde Qwen3.5-Plus als een overeenkomstig aanbod met extra productiefuncties. Behoud de eigen identiteit, context en het generatierecept van dit open checkpoint, in plaats van elke beheerde functie of latere Qwen-instelling over te nemen. De specifieke 397B-A17B-editie blijft gescheiden van kleinere dense modellen en expertmodellen in dezelfde familie.
Modeloverzicht
Het model heeft in totaal 397 miljard parameters en activeert er 17 miljard. De hybride opbouw met 60 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. De ontwikkelaar vermeldt 512 routed experts, waarvan tien routed experts samen met één gedeelde expert worden geselecteerd. Een vision encoder en multi-token prediction maken deel uit van het model. Totale parameters, geactiveerde parameters en de opslaggrootte van het volledige checkpoint zijn verschillende begrippen; deze aantallen leggen geen vaste responstijd vast.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. Tekst, afbeeldings- of videorepresentaties, gespreksgeschiedenis, redeneringen en het definitieve antwoord delen de ingestelde sequentieruimte. Gebruik het werkelijk ingestelde budget voor een taak, in plaats van aan te nemen dat het grootste document en het grootste antwoord automatisch samen passen.
Tekstueel en visueel bewijsmateriaal voorbereiden
Geef voor een technisch project de specificatie, relevante code en diagrammen en definieer het te produceren artefact. Vraag om een implementatievoorstel dat per betrokken component is geordend en door de aangeleverde vereisten wordt onderbouwd. Behoud voor een documentvergelijking de onderdeelidentificaties, tabellabels en eenheden en vraag om een bevindingentabel met bewijs voor elke rij. Vermeld voor een meertalig rapport de doeltaal en de termen die ongewijzigd moeten blijven.
Behoud bij een afbeeldingsvraag kleine labels en geef definities die niet in de afbeelding staan. Benoem bij een videovraag de relevante gebeurtenis en behoud de framevolgorde en timing. Vergelijk de teruggegeven visuele details, citaten en gebeurtenisbeschrijvingen met de oorspronkelijke afbeeldingen, passages en timestamps. Het resultaat blijft tekstuele analyse of code; visuele invoer van het model impliceert geen generatie van afbeeldingen, video of spraak.
Denken en gespreksgeschiedenis
Denken staat standaard aan en gaat vooraf aan het definitieve antwoord. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. De oudere soft-promptschakelaars /think en /nothink worden niet officieel ondersteund voor Qwen3.5. Maak het definitieve artefact na de redenering gemakkelijk terug te vinden, bijvoorbeeld als een afgebakende conclusie, bewijstabel of afzonderlijk codevoorstel.
De modelkaart raadt aan om in eerdere assistentberichten definitieve antwoorden zonder denkinhoud te bewaren. Dit verschilt van opties en standaardwaarden voor het behoud van eerdere redeneringen die in latere releases zijn geïntroduceerd. Volg de template van dit exacte checkpoint en houd correcties of toolwaarnemingen gekoppeld aan de taak die ze bijwerken.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, en Qwen Code voor workflows met programmeeragents. Vermeld de toegestane bewerkingen, het beschikbare bewijs en de waarneembare voltooiingscriteria. Een toepassing voert tools uit en levert hun resultaten; het model kan die waarnemingen gebruiken om zijn plan of uitleg bij te sturen. Een voorgesteld commando of voorgestelde patch blijft onderscheiden van een actie die werkelijk in de omgeving is uitgevoerd.
Zeer lange tekst en video
De uitbreiding van de ontwikkelaar gebruikt YaRN met de eigen 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 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. Orden een lange invoer per document, pagina of code-identificatie en laat ruimte voor het resultaat.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal van ongeveer een uur raadt de ontwikkelaar een groter processorbudget aan dat overeenkomt met 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 van dit checkpoint bevelen temperature 0.6, top_p 0.95, top_k 20 en min_p 0 aan voor de denkmodus, en temperature 0.7, top_p 0.8, top_k 20 en min_p 0 voor rechtstreekse antwoorden. Deze exacte aanbevelingen verschillen van die voor sommige kleinere Qwen3.5-edities. Waar ondersteund kan een presence penalty tussen nul en twee herhaling verminderen, maar hogere waarden 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 aanbevelingen, geen onafhankelijke harde uitvoerlimieten. Vermeld het vereiste antwoordformaat en controleer berekeningen, geëxtraheerde details en voorgestelde code aan de hand van de bron. De nuttige uitvoer is een concreet tekstartefact waarvan het bewijs en de aannames kunnen worden beoordeeld.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K tokens Uitvoer · Uitvoertokens $0.00468 / 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 $0.00078 / 1K tokens Uitvoer · Uitvoertokens $0.00468 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.