Qwen3.6-verbeteringen in een dense 27B-model
Qwen3.6-27B is een dense vision-language-model dat is ontwikkeld vanuit Qwen3.5-27B. De ontwikkelaar benadrukt betere programmeeragents en STEM-redeneringen, met verbeteringen in ruimtelijk inzicht, objectlokalisatie en -detectie, document-OCR, videobegrip en visuele agents. Het verwerkt tekst, afbeeldingen en video en genereert tekst. Deze specifieke dense editie verschilt van het mixture-of-experts-model Qwen3.6-35B-A3B, ook al delen ze een generatie en taakfocus.
Geef bij een STEM-diagram de volledige opgave en behoud de labels en eenheden. Vraag het model om direct zichtbare feiten van aannames te scheiden en vervolgens een uitleg met een duidelijk definitief antwoord te geven. Vermeld bij een document welke velden of beweringen moeten worden geëxtraheerd en vraag ondersteunende paginaverwijzingen. Geef een programmeeragent de relevante modules, het gewenste gedrag en daadwerkelijke feedback uit de aangesloten workflow. Deze voorbeelden passen de gedocumenteerde mogelijkheden toe; ze claimen geen exacte extractie of geslaagde uitvoering.
Modeloverzicht
Het model heeft 27 miljard parameters en 64 taalmodellagen. De hybride opbouw herhaalt telkens drie Gated DeltaNet-lagen gevolgd door één laag met gated attention en gebruikt dense feedforwardnetwerken in plaats van sparse experts. Een vision encoder verzorgt het begrip van afbeeldingen en video, en multi-token prediction maakt deel uit van de training. Deze architectuurfeiten identificeren het checkpoint zonder de kwaliteit of responstijd van elke toepassing te rangschikken.
De native context bedraagt 262,144 tokens en kan via configuratie worden uitgebreid tot 1,010,000. Qwen adviseert voor complex redeneren waar mogelijk minstens een context van 128K aan te houden, maar erkent dat geheugendruk een kleinere instelling kan vereisen. Afbeeldings- en videorepresentaties, tekst, eerdere berichten, denkwerk en het antwoord nemen allemaal ruimte in de ingestelde sequentie in.
Invoer en modi
De ontwikkelaar toont tekst-, afbeeldings- en videovragen. Denken staat standaard aan, met een redeneerblok vóór het definitieve antwoord. enable_thinking kan dat gedrag uitschakelen voor een rechtstreeks antwoord. Qwen3.6 ondersteunt de oudere promptschakelaars /think en /nothink niet officieel. Zorg dat het vereiste resultaat na de uitleg gemakkelijk herkenbaar is, bijvoorbeeld als een berekende waarde, een tabel met geëxtraheerde velden of een bewerkbare codepatch.
Het videovoorbeeld gebruikt standaard twee frames per seconde in de ondersteunde workflow. Voor video's van ongeveer een uur raadt de ontwikkelaar aan het processorbudget te vergroten om sampling met een hogere frequentie mogelijk te maken, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Meer visueel detail vraagt meer context- en verwerkingsbudget. Die instellingen leggen geen onvoorwaardelijke videoduur of exacte nauwkeurigheid van gebeurtenistimestamps vast voor elke interface.
Eerder denkwerk
De standaardtemplate bewaart denkwerk dat bij het meest recente gebruikersbericht hoort. De optie preserve_thinking kan daarnaast redeneringen uit eerdere berichten bewaren; het expliciete voorbeeld van de ontwikkelaar schakelt dit in met true. Dit kan iteratieve ontwikkeling ondersteunen waarbij eerdere beslissingen relevant blijven na nieuwe toolfeedback. Het verschilt van het gedocumenteerde standaardgedrag voor behoud in Qwen3.8 en van de richtlijn voor Qwen3.5 om alleen definitieve antwoorden in de geschiedenis te houden. Volg het exacte checkpointformaat, in plaats van stilzwijgend de geschiedenisregels van een andere generatie te gebruiken.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, naast Qwen Code voor werk met programmeeragents. Vermeld de toegestane acties en waarneembare voltooiingscriteria. Een tool kan aangeleverd materiaal inspecteren of een echt controleresultaat teruggeven, waarna het model zijn analyse kan bijsturen. Het model krijgt niet louter door zijn agentspecialisatie toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Zeer lange invoer
Het uitbreidingsrecept gebruikt YaRN met de interleaved positie-instellingen van dit model. 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 verlagen en moet dus aansluiten bij de werkelijke behoefte aan lange context. Geef pagina's, functies en documentgrenzen labels en vraag vervolgens om conclusies die het ondersteunende bewijs aanduiden.
Generatieaanbevelingen en beperkingen
De Best Practices op de modelkaart bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan voor algemeen denkwerk. Voor nauwkeurig programmeerwerk wordt temperature 0.6. Voor rechtstreekse antwoorden is temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. De ontwikkelaar waarschuwt dat hogere presence penalties talen kunnen mengen of de kwaliteit licht kunnen verlagen.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijk wiskunde- of programmeerwerk. Het zijn geen afzonderlijk vastgestelde harde limieten. Definieer een formaat voor het definitieve antwoord en controleer geëxtraheerde tekst, ruimtelijke conclusies, berekeningen en voorgestelde code aan de hand van de bron. Een grote context en bewaarde redeneringen helpen om bewijsmateriaal doorheen de taak mee te nemen; het te beoordelen artefact blijft het nuttige resultaat.
", "aboutText": "Qwen3.6-verbeteringen in een dense 27B-model\n\nQwen3.6-27B is een dense vision-language-model dat is ontwikkeld vanuit Qwen3.5-27B. De ontwikkelaar benadrukt betere programmeeragents en STEM-redeneringen, met verbeteringen in ruimtelijk inzicht, objectlokalisatie en -detectie, document-OCR, videobegrip en visuele agents. Het verwerkt tekst, afbeeldingen en video en genereert tekst. Deze specifieke dense editie verschilt van het mixture-of-experts-model Qwen3.6-35B-A3B, ook al delen ze een generatie en taakfocus.\n\nGeef bij een STEM-diagram de volledige opgave en behoud de labels en eenheden. Vraag het model om direct zichtbare feiten van aannames te scheiden en vervolgens een uitleg met een duidelijk definitief antwoord te geven. Vermeld bij een document welke velden of beweringen moeten worden geëxtraheerd en vraag ondersteunende paginaverwijzingen. Geef een programmeeragent de relevante modules, het gewenste gedrag en daadwerkelijke feedback uit de aangesloten workflow. Deze voorbeelden passen de gedocumenteerde mogelijkheden toe; ze claimen geen exacte extractie of geslaagde uitvoering.\n\nModeloverzicht\n\nHet model heeft 27 miljard parameters en 64 taalmodellagen. De hybride opbouw herhaalt telkens drie Gated DeltaNet-lagen gevolgd door één laag met gated attention en gebruikt dense feedforwardnetwerken in plaats van sparse experts. Een vision encoder verzorgt het begrip van afbeeldingen en video, en multi-token prediction maakt deel uit van de training. Deze architectuurfeiten identificeren het checkpoint zonder de kwaliteit of responstijd van elke toepassing te rangschikken.\n\nDe native context bedraagt 262,144 tokens en kan via configuratie worden uitgebreid tot 1,010,000. Qwen adviseert voor complex redeneren waar mogelijk minstens een context van 128K aan te houden, maar erkent dat geheugendruk een kleinere instelling kan vereisen. Afbeeldings- en videorepresentaties, tekst, eerdere berichten, denkwerk en het antwoord nemen allemaal ruimte in de ingestelde sequentie in.\n\nInvoer en modi\n\nDe ontwikkelaar toont tekst-, afbeeldings- en videovragen. Denken staat standaard aan, met een redeneerblok vóór het definitieve antwoord. enable_thinking kan dat gedrag uitschakelen voor een rechtstreeks antwoord. Qwen3.6 ondersteunt de oudere promptschakelaars /think en /nothink niet officieel. Zorg dat het vereiste resultaat na de uitleg gemakkelijk herkenbaar is, bijvoorbeeld als een berekende waarde, een tabel met geëxtraheerde velden of een bewerkbare codepatch.\n\nHet videovoorbeeld gebruikt standaard twee frames per seconde in de ondersteunde workflow. Voor video's van ongeveer een uur raadt de ontwikkelaar aan het processorbudget te vergroten om sampling met een hogere frequentie mogelijk te maken, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Meer visueel detail vraagt meer context- en verwerkingsbudget. Die instellingen leggen geen onvoorwaardelijke videoduur of exacte nauwkeurigheid van gebeurtenistimestamps vast voor elke interface.\n\nEerder denkwerk\n\nDe standaardtemplate bewaart denkwerk dat bij het meest recente gebruikersbericht hoort. De optie preserve_thinking kan daarnaast redeneringen uit eerdere berichten bewaren; het expliciete voorbeeld van de ontwikkelaar schakelt dit in met true. Dit kan iteratieve ontwikkeling ondersteunen waarbij eerdere beslissingen relevant blijven na nieuwe toolfeedback. Het verschilt van het gedocumenteerde standaardgedrag voor behoud in Qwen3.8 en van de richtlijn voor Qwen3.5 om alleen definitieve antwoorden in de geschiedenis te houden. Volg het exacte checkpointformaat, in plaats van stilzwijgend de geschiedenisregels van een andere generatie te gebruiken.\n\nGebruik met agents\n\nQwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, naast Qwen Code voor werk met programmeeragents. Vermeld de toegestane acties en waarneembare voltooiingscriteria. Een tool kan aangeleverd materiaal inspecteren of een echt controleresultaat teruggeven, waarna het model zijn analyse kan bijsturen. Het model krijgt niet louter door zijn agentspecialisatie toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.\n\nZeer lange invoer\n\nHet uitbreidingsrecept gebruikt YaRN met de interleaved positie-instellingen van dit model. 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 verlagen en moet dus aansluiten bij de werkelijke behoefte aan lange context. Geef pagina's, functies en documentgrenzen labels en vraag vervolgens om conclusies die het ondersteunende bewijs aanduiden.\n\nGeneratieaanbevelingen en beperkingen\n\nDe Best Practices op de modelkaart bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan voor algemeen denkwerk. Voor nauwkeurig programmeerwerk wordt temperature 0.6. Voor rechtstreekse antwoorden is temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. De ontwikkelaar waarschuwt dat hogere presence penalties talen kunnen mengen of de kwaliteit licht kunnen verlagen.\n\nDe aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijk wiskunde- of programmeerwerk. Het zijn geen afzonderlijk vastgestelde harde limieten. Definieer een formaat voor het definitieve antwoord en controleer geëxtraheerde tekst, ruimtelijke conclusies, berekeningen en voorgestelde code aan de hand van de bron. Een grote context en bewaarde redeneringen helpen om bewijsmateriaal doorheen de taak mee te nemen; het te beoordelen artefact blijft het nuttige resultaat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B is Qwen’s dichte beeld-taalmodel voor programmeren, STEM-redeneren en visuele analyse. Het accepteert tekst, afbeeldingen en video en geeft tekst terug, met kiesbaar redeneren, optioneel behoud van eerdere redeneringen en een oorspronkelijke 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.
Qwen3.6-verbeteringen in een dense 27B-model
Qwen3.6-27B is een dense vision-language-model dat is ontwikkeld vanuit Qwen3.5-27B. De ontwikkelaar benadrukt betere programmeeragents en STEM-redeneringen, met verbeteringen in ruimtelijk inzicht, objectlokalisatie en -detectie, document-OCR, videobegrip en visuele agents. Het verwerkt tekst, afbeeldingen en video en genereert tekst. Deze specifieke dense editie verschilt van het mixture-of-experts-model Qwen3.6-35B-A3B, ook al delen ze een generatie en taakfocus.
Geef bij een STEM-diagram de volledige opgave en behoud de labels en eenheden. Vraag het model om direct zichtbare feiten van aannames te scheiden en vervolgens een uitleg met een duidelijk definitief antwoord te geven. Vermeld bij een document welke velden of beweringen moeten worden geëxtraheerd en vraag ondersteunende paginaverwijzingen. Geef een programmeeragent de relevante modules, het gewenste gedrag en daadwerkelijke feedback uit de aangesloten workflow. Deze voorbeelden passen de gedocumenteerde mogelijkheden toe; ze claimen geen exacte extractie of geslaagde uitvoering.
Modeloverzicht
Het model heeft 27 miljard parameters en 64 taalmodellagen. De hybride opbouw herhaalt telkens drie Gated DeltaNet-lagen gevolgd door één laag met gated attention en gebruikt dense feedforwardnetwerken in plaats van sparse experts. Een vision encoder verzorgt het begrip van afbeeldingen en video, en multi-token prediction maakt deel uit van de training. Deze architectuurfeiten identificeren het checkpoint zonder de kwaliteit of responstijd van elke toepassing te rangschikken.
De native context bedraagt 262,144 tokens en kan via configuratie worden uitgebreid tot 1,010,000. Qwen adviseert voor complex redeneren waar mogelijk minstens een context van 128K aan te houden, maar erkent dat geheugendruk een kleinere instelling kan vereisen. Afbeeldings- en videorepresentaties, tekst, eerdere berichten, denkwerk en het antwoord nemen allemaal ruimte in de ingestelde sequentie in.
Invoer en modi
De ontwikkelaar toont tekst-, afbeeldings- en videovragen. Denken staat standaard aan, met een redeneerblok vóór het definitieve antwoord. enable_thinking kan dat gedrag uitschakelen voor een rechtstreeks antwoord. Qwen3.6 ondersteunt de oudere promptschakelaars /think en /nothink niet officieel. Zorg dat het vereiste resultaat na de uitleg gemakkelijk herkenbaar is, bijvoorbeeld als een berekende waarde, een tabel met geëxtraheerde velden of een bewerkbare codepatch.
Het videovoorbeeld gebruikt standaard twee frames per seconde in de ondersteunde workflow. Voor video's van ongeveer een uur raadt de ontwikkelaar aan het processorbudget te vergroten om sampling met een hogere frequentie mogelijk te maken, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Meer visueel detail vraagt meer context- en verwerkingsbudget. Die instellingen leggen geen onvoorwaardelijke videoduur of exacte nauwkeurigheid van gebeurtenistimestamps vast voor elke interface.
Eerder denkwerk
De standaardtemplate bewaart denkwerk dat bij het meest recente gebruikersbericht hoort. De optie preserve_thinking kan daarnaast redeneringen uit eerdere berichten bewaren; het expliciete voorbeeld van de ontwikkelaar schakelt dit in met true. Dit kan iteratieve ontwikkeling ondersteunen waarbij eerdere beslissingen relevant blijven na nieuwe toolfeedback. Het verschilt van het gedocumenteerde standaardgedrag voor behoud in Qwen3.8 en van de richtlijn voor Qwen3.5 om alleen definitieve antwoorden in de geschiedenis te houden. Volg het exacte checkpointformaat, in plaats van stilzwijgend de geschiedenisregels van een andere generatie te gebruiken.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, naast Qwen Code voor werk met programmeeragents. Vermeld de toegestane acties en waarneembare voltooiingscriteria. Een tool kan aangeleverd materiaal inspecteren of een echt controleresultaat teruggeven, waarna het model zijn analyse kan bijsturen. Het model krijgt niet louter door zijn agentspecialisatie toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Zeer lange invoer
Het uitbreidingsrecept gebruikt YaRN met de interleaved positie-instellingen van dit model. 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 verlagen en moet dus aansluiten bij de werkelijke behoefte aan lange context. Geef pagina's, functies en documentgrenzen labels en vraag vervolgens om conclusies die het ondersteunende bewijs aanduiden.
Generatieaanbevelingen en beperkingen
De Best Practices op de modelkaart bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan voor algemeen denkwerk. Voor nauwkeurig programmeerwerk wordt temperature 0.6. Voor rechtstreekse antwoorden is temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. De ontwikkelaar waarschuwt dat hogere presence penalties talen kunnen mengen of de kwaliteit licht kunnen verlagen.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijk wiskunde- of programmeerwerk. Het zijn geen afzonderlijk vastgestelde harde limieten. Definieer een formaat voor het definitieve antwoord en controleer geëxtraheerde tekst, ruimtelijke conclusies, berekeningen en voorgestelde code aan de hand van de bron. Een grote context en bewaarde redeneringen helpen om bewijsmateriaal doorheen de taak mee te nemen; het te beoordelen artefact blijft het nuttige resultaat.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.6-27b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.0054 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.0054 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.6-27b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.6-27bQwen3.6-27B is Qwen’s dichte beeld-taalmodel voor programmeren, STEM-redeneren en visuele analyse. Het accepteert tekst, afbeeldingen en video en geeft tekst terug, met kiesbaar redeneren, optioneel behoud van eerdere redeneringen en een oorspronkelijke 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.
Qwen3.6-verbeteringen in een dense 27B-model
Qwen3.6-27B is een dense vision-language-model dat is ontwikkeld vanuit Qwen3.5-27B. De ontwikkelaar benadrukt betere programmeeragents en STEM-redeneringen, met verbeteringen in ruimtelijk inzicht, objectlokalisatie en -detectie, document-OCR, videobegrip en visuele agents. Het verwerkt tekst, afbeeldingen en video en genereert tekst. Deze specifieke dense editie verschilt van het mixture-of-experts-model Qwen3.6-35B-A3B, ook al delen ze een generatie en taakfocus.
Geef bij een STEM-diagram de volledige opgave en behoud de labels en eenheden. Vraag het model om direct zichtbare feiten van aannames te scheiden en vervolgens een uitleg met een duidelijk definitief antwoord te geven. Vermeld bij een document welke velden of beweringen moeten worden geëxtraheerd en vraag ondersteunende paginaverwijzingen. Geef een programmeeragent de relevante modules, het gewenste gedrag en daadwerkelijke feedback uit de aangesloten workflow. Deze voorbeelden passen de gedocumenteerde mogelijkheden toe; ze claimen geen exacte extractie of geslaagde uitvoering.
Modeloverzicht
Het model heeft 27 miljard parameters en 64 taalmodellagen. De hybride opbouw herhaalt telkens drie Gated DeltaNet-lagen gevolgd door één laag met gated attention en gebruikt dense feedforwardnetwerken in plaats van sparse experts. Een vision encoder verzorgt het begrip van afbeeldingen en video, en multi-token prediction maakt deel uit van de training. Deze architectuurfeiten identificeren het checkpoint zonder de kwaliteit of responstijd van elke toepassing te rangschikken.
De native context bedraagt 262,144 tokens en kan via configuratie worden uitgebreid tot 1,010,000. Qwen adviseert voor complex redeneren waar mogelijk minstens een context van 128K aan te houden, maar erkent dat geheugendruk een kleinere instelling kan vereisen. Afbeeldings- en videorepresentaties, tekst, eerdere berichten, denkwerk en het antwoord nemen allemaal ruimte in de ingestelde sequentie in.
Invoer en modi
De ontwikkelaar toont tekst-, afbeeldings- en videovragen. Denken staat standaard aan, met een redeneerblok vóór het definitieve antwoord. enable_thinking kan dat gedrag uitschakelen voor een rechtstreeks antwoord. Qwen3.6 ondersteunt de oudere promptschakelaars /think en /nothink niet officieel. Zorg dat het vereiste resultaat na de uitleg gemakkelijk herkenbaar is, bijvoorbeeld als een berekende waarde, een tabel met geëxtraheerde velden of een bewerkbare codepatch.
Het videovoorbeeld gebruikt standaard twee frames per seconde in de ondersteunde workflow. Voor video's van ongeveer een uur raadt de ontwikkelaar aan het processorbudget te vergroten om sampling met een hogere frequentie mogelijk te maken, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Meer visueel detail vraagt meer context- en verwerkingsbudget. Die instellingen leggen geen onvoorwaardelijke videoduur of exacte nauwkeurigheid van gebeurtenistimestamps vast voor elke interface.
Eerder denkwerk
De standaardtemplate bewaart denkwerk dat bij het meest recente gebruikersbericht hoort. De optie preserve_thinking kan daarnaast redeneringen uit eerdere berichten bewaren; het expliciete voorbeeld van de ontwikkelaar schakelt dit in met true. Dit kan iteratieve ontwikkeling ondersteunen waarbij eerdere beslissingen relevant blijven na nieuwe toolfeedback. Het verschilt van het gedocumenteerde standaardgedrag voor behoud in Qwen3.8 en van de richtlijn voor Qwen3.5 om alleen definitieve antwoorden in de geschiedenis te houden. Volg het exacte checkpointformaat, in plaats van stilzwijgend de geschiedenisregels van een andere generatie te gebruiken.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan met geconfigureerde of via MCP aangesloten tools, naast Qwen Code voor werk met programmeeragents. Vermeld de toegestane acties en waarneembare voltooiingscriteria. Een tool kan aangeleverd materiaal inspecteren of een echt controleresultaat teruggeven, waarna het model zijn analyse kan bijsturen. Het model krijgt niet louter door zijn agentspecialisatie toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Zeer lange invoer
Het uitbreidingsrecept gebruikt YaRN met de interleaved positie-instellingen van dit model. 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 verlagen en moet dus aansluiten bij de werkelijke behoefte aan lange context. Geef pagina's, functies en documentgrenzen labels en vraag vervolgens om conclusies die het ondersteunende bewijs aanduiden.
Generatieaanbevelingen en beperkingen
De Best Practices op de modelkaart bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan voor algemeen denkwerk. Voor nauwkeurig programmeerwerk wordt temperature 0.6. Voor rechtstreekse antwoorden is temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. De ontwikkelaar waarschuwt dat hogere presence penalties talen kunnen mengen of de kwaliteit licht kunnen verlagen.
De aanbevolen generatiebudgetten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijk wiskunde- of programmeerwerk. Het zijn geen afzonderlijk vastgestelde harde limieten. Definieer een formaat voor het definitieve antwoord en controleer geëxtraheerde tekst, ruimtelijke conclusies, berekeningen en voorgestelde code aan de hand van de bron. Een grote context en bewaarde redeneringen helpen om bewijsmateriaal doorheen de taak mee te nemen; het te beoordelen artefact blijft het nuttige resultaat.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.6-27b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.0054 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.0054 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.6-27b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.