Qwen3.6-verbeteringen: programmeren en continuïteit van redeneringen
Qwen3.6-35B-A3B is een vision-language-model dat focust op nuttig programmeerwerk en agentwerk. Qwen benadrukt betere frontendworkflows en redeneren op repositoryniveau, plus een nieuwe optie om denkwerk uit eerdere berichten te bewaren. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug: een uitleg, codevoorstel, gestructureerde analyse of een ander gevraagd tekstartefact. Behoud deze specifieke 35B-A3B-editie, in plaats van ze te behandelen als het dense Qwen3.6-27B of de eerdere Qwen3.5-tegenhanger.
Geef voor een frontendtaak het relevante screenshot, de functionele vereisten en de bestaande codecontext. Vraag om bewerkbare broncode en een beschrijving van de beoogde toestanden en interacties. Duid voor een repositorytaak de betrokken functie, de invoer die een probleem blootlegt en het verwachte gedrag aan. Vraag om een voorgestelde patch met de aannames en relevante controles.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert er drie miljard. De hybride opbouw met 40 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. Het heeft 256 routed experts en selecteert acht routed experts met één gedeelde expert; multi-token prediction maakt deel uit van de training. Het kleinere aantal geactiveerde parameters beschrijft niet de volledige checkpointgrootte. Een vision encoder verzorgt het visuele deel van het model.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. De ontwikkelaar raadt aan om bij complexe denktaken waar mogelijk een context van minstens 128K te behouden, ook als een kleinere context de geheugendruk zou verlagen. Brontekst, visuele representaties, eerdere berichten, redeneringen en het definitieve antwoord delen de ingestelde sequentieruimte.
Invoer en antwoordmodi gebruiken
De modelkaart toont tekst-, afbeeldings- en videovragen. Behoud bij een diagram of pagina de labels en definieer de exacte vraag. Behoud bij een clip de timing en vermeld de gebeurtenis die van belang is. Het ondersteunde videovoorbeeld van de ontwikkelaar gebruikt standaard twee frames per seconde en laat configuratie van de sampling toe. Het aanbevolen recept breidt het budget van de videoprocessor uit tot ongeveer 224K videotokens voor analyse met een hogere samplingfrequentie van video's van ongeveer een uur; dit is een configuratievoorbeeld en geen harde, universele limiet voor de clipduur.
Denken staat standaard aan. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.6 ondersteunt de oudere soft-promptschakelaars /think en /nothink uit Qwen3 niet officieel. Scheid bij de presentatie van een resultaat de redenering van het definitieve artefact en volg de eigen interface van dit checkpoint. Ga er niet van uit dat promptmarkeringen of instellingen van een andere generatie van toepassing zijn.
Eerder denkwerk bewaren
Standaard bewaart de template denkblokken die bij het meest recente gebruikersbericht horen. Qwen3.6 is daarnaast getraind om eerdere redeneringen te gebruiken wanneer preserve_thinking is ingeschakeld. Het expliciete voorbeeld zet die optie op true. Dit kan een iteratieve agenttaak helpen om beslissingscontext te bewaren in plaats van eerdere keuzes telkens opnieuw af te leiden; het verandert ook hoeveel geschiedenis de aanvraag meeneemt. De beschikbaarheid van de optie hangt af van de interface die het recept van de ontwikkelaar aanbiedt.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan voor het configureren van tools, waaronder via MCP aangesloten tools. Qwen Code is een andere door de ontwikkelaar gedocumenteerde workflow voor programmeeragents. Definieer de toegestane tools, het taakdoel en het verwachte resultaat en geef daarna daadwerkelijke toolwaarnemingen aan het model terug. Het model kan over een resultaat redeneren en een plan bijsturen; toegang tot bestanden of uitvoeringsomgevingen komt van de aangesloten toepassing, niet van de modelnaam.
Zeer lange tekst
De gedocumenteerde contextuitbreiding gebruikt YaRN met de interleaved positie-instellingen van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens; voor werklasten van 524,288 tokens stelt Qwen een factor twee voor. Statische schaling kan de prestaties bij kortere tekst beïnvloeden. De ontwikkelaar raadt daarom aan om ze aan te passen wanneer de langere context nodig is. Behoud onderdeel- en code-identificaties in een grote invoer en vraag het resultaat om te tonen welk bewijs elke conclusie ondersteunt.
Generatierichtlijnen en beperkingen
Voor algemeen denkwerk raadt de ontwikkelaar temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan. Voor nauwkeurig programmeerwerk wordt temperature 0.6 en presence penalty nul. Voor rechtstreekse antwoorden zijn de aanbevolen waarden temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. Hogere presence penalties kunnen herhaling verminderen, maar ook talen mengen of de kwaliteit licht verlagen.
Qwen raadt voor de meeste vragen een generatiebudget van 32,768 tokens aan en 81,920 voor uitzonderlijk complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen afzonderlijk vastgestelde harde uitvoerlimieten. Vermeld het definitieve formaat expliciet en controleer code, berekeningen en geëxtraheerde visuele details aan de hand van de bron. Continuïteit van redeneringen en een lange context helpen het bewijsmateriaal van een taak mee te nemen; een controleerbaar definitief artefact maakt het resultaat bruikbaar.
", "aboutText": "Qwen3.6-verbeteringen: programmeren en continuïteit van redeneringen\n\nQwen3.6-35B-A3B is een vision-language-model dat focust op nuttig programmeerwerk en agentwerk. Qwen benadrukt betere frontendworkflows en redeneren op repositoryniveau, plus een nieuwe optie om denkwerk uit eerdere berichten te bewaren. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug: een uitleg, codevoorstel, gestructureerde analyse of een ander gevraagd tekstartefact. Behoud deze specifieke 35B-A3B-editie, in plaats van ze te behandelen als het dense Qwen3.6-27B of de eerdere Qwen3.5-tegenhanger.\n\nGeef voor een frontendtaak het relevante screenshot, de functionele vereisten en de bestaande codecontext. Vraag om bewerkbare broncode en een beschrijving van de beoogde toestanden en interacties. Duid voor een repositorytaak de betrokken functie, de invoer die een probleem blootlegt en het verwachte gedrag aan. Vraag om een voorgestelde patch met de aannames en relevante controles.\n\nModeloverzicht\n\nHet mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert er drie miljard. De hybride opbouw met 40 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. Het heeft 256 routed experts en selecteert acht routed experts met één gedeelde expert; multi-token prediction maakt deel uit van de training. Het kleinere aantal geactiveerde parameters beschrijft niet de volledige checkpointgrootte. Een vision encoder verzorgt het visuele deel van het model.\n\nDe native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. De ontwikkelaar raadt aan om bij complexe denktaken waar mogelijk een context van minstens 128K te behouden, ook als een kleinere context de geheugendruk zou verlagen. Brontekst, visuele representaties, eerdere berichten, redeneringen en het definitieve antwoord delen de ingestelde sequentieruimte.\n\nInvoer en antwoordmodi gebruiken\n\nDe modelkaart toont tekst-, afbeeldings- en videovragen. Behoud bij een diagram of pagina de labels en definieer de exacte vraag. Behoud bij een clip de timing en vermeld de gebeurtenis die van belang is. Het ondersteunde videovoorbeeld van de ontwikkelaar gebruikt standaard twee frames per seconde en laat configuratie van de sampling toe. Het aanbevolen recept breidt het budget van de videoprocessor uit tot ongeveer 224K videotokens voor analyse met een hogere samplingfrequentie van video's van ongeveer een uur; dit is een configuratievoorbeeld en geen harde, universele limiet voor de clipduur.\n\nDenken staat standaard aan. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.6 ondersteunt de oudere soft-promptschakelaars /think en /nothink uit Qwen3 niet officieel. Scheid bij de presentatie van een resultaat de redenering van het definitieve artefact en volg de eigen interface van dit checkpoint. Ga er niet van uit dat promptmarkeringen of instellingen van een andere generatie van toepassing zijn.\n\nEerder denkwerk bewaren\n\nStandaard bewaart de template denkblokken die bij het meest recente gebruikersbericht horen. Qwen3.6 is daarnaast getraind om eerdere redeneringen te gebruiken wanneer preserve_thinking is ingeschakeld. Het expliciete voorbeeld zet die optie op true. Dit kan een iteratieve agenttaak helpen om beslissingscontext te bewaren in plaats van eerdere keuzes telkens opnieuw af te leiden; het verandert ook hoeveel geschiedenis de aanvraag meeneemt. De beschikbaarheid van de optie hangt af van de interface die het recept van de ontwikkelaar aanbiedt.\n\nGebruik met agents\n\nQwen documenteert tool calling en raadt Qwen-Agent aan voor het configureren van tools, waaronder via MCP aangesloten tools. Qwen Code is een andere door de ontwikkelaar gedocumenteerde workflow voor programmeeragents. Definieer de toegestane tools, het taakdoel en het verwachte resultaat en geef daarna daadwerkelijke toolwaarnemingen aan het model terug. Het model kan over een resultaat redeneren en een plan bijsturen; toegang tot bestanden of uitvoeringsomgevingen komt van de aangesloten toepassing, niet van de modelnaam.\n\nZeer lange tekst\n\nDe gedocumenteerde contextuitbreiding gebruikt YaRN met de interleaved positie-instellingen van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens; voor werklasten van 524,288 tokens stelt Qwen een factor twee voor. Statische schaling kan de prestaties bij kortere tekst beïnvloeden. De ontwikkelaar raadt daarom aan om ze aan te passen wanneer de langere context nodig is. Behoud onderdeel- en code-identificaties in een grote invoer en vraag het resultaat om te tonen welk bewijs elke conclusie ondersteunt.\n\nGeneratierichtlijnen en beperkingen\n\nVoor algemeen denkwerk raadt de ontwikkelaar temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan. Voor nauwkeurig programmeerwerk wordt temperature 0.6 en presence penalty nul. Voor rechtstreekse antwoorden zijn de aanbevolen waarden temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. Hogere presence penalties kunnen herhaling verminderen, maar ook talen mengen of de kwaliteit licht verlagen.\n\nQwen raadt voor de meeste vragen een generatiebudget van 32,768 tokens aan en 81,920 voor uitzonderlijk complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen afzonderlijk vastgestelde harde uitvoerlimieten. Vermeld het definitieve formaat expliciet en controleer code, berekeningen en geëxtraheerde visuele details aan de hand van de bron. Continuïteit van redeneringen en een lange context helpen het bewijsmateriaal van een taak mee te nemen; een controleerbaar definitief artefact maakt het resultaat bruikbaar.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B is het vision-language mixture-of-experts-model van Qwen met in totaal 35 miljard parameters waarvan 3 miljard worden geactiveerd. Het focust op frontendprogrammering en programmeren op repositoryniveau, voegt optioneel behoud van eerdere redeneringen toe en verwerkt tekst, afbeeldingen en video met tekstuele uitvoer.
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: programmeren en continuïteit van redeneringen
Qwen3.6-35B-A3B is een vision-language-model dat focust op nuttig programmeerwerk en agentwerk. Qwen benadrukt betere frontendworkflows en redeneren op repositoryniveau, plus een nieuwe optie om denkwerk uit eerdere berichten te bewaren. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug: een uitleg, codevoorstel, gestructureerde analyse of een ander gevraagd tekstartefact. Behoud deze specifieke 35B-A3B-editie, in plaats van ze te behandelen als het dense Qwen3.6-27B of de eerdere Qwen3.5-tegenhanger.
Geef voor een frontendtaak het relevante screenshot, de functionele vereisten en de bestaande codecontext. Vraag om bewerkbare broncode en een beschrijving van de beoogde toestanden en interacties. Duid voor een repositorytaak de betrokken functie, de invoer die een probleem blootlegt en het verwachte gedrag aan. Vraag om een voorgestelde patch met de aannames en relevante controles.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert er drie miljard. De hybride opbouw met 40 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. Het heeft 256 routed experts en selecteert acht routed experts met één gedeelde expert; multi-token prediction maakt deel uit van de training. Het kleinere aantal geactiveerde parameters beschrijft niet de volledige checkpointgrootte. Een vision encoder verzorgt het visuele deel van het model.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. De ontwikkelaar raadt aan om bij complexe denktaken waar mogelijk een context van minstens 128K te behouden, ook als een kleinere context de geheugendruk zou verlagen. Brontekst, visuele representaties, eerdere berichten, redeneringen en het definitieve antwoord delen de ingestelde sequentieruimte.
Invoer en antwoordmodi gebruiken
De modelkaart toont tekst-, afbeeldings- en videovragen. Behoud bij een diagram of pagina de labels en definieer de exacte vraag. Behoud bij een clip de timing en vermeld de gebeurtenis die van belang is. Het ondersteunde videovoorbeeld van de ontwikkelaar gebruikt standaard twee frames per seconde en laat configuratie van de sampling toe. Het aanbevolen recept breidt het budget van de videoprocessor uit tot ongeveer 224K videotokens voor analyse met een hogere samplingfrequentie van video's van ongeveer een uur; dit is een configuratievoorbeeld en geen harde, universele limiet voor de clipduur.
Denken staat standaard aan. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.6 ondersteunt de oudere soft-promptschakelaars /think en /nothink uit Qwen3 niet officieel. Scheid bij de presentatie van een resultaat de redenering van het definitieve artefact en volg de eigen interface van dit checkpoint. Ga er niet van uit dat promptmarkeringen of instellingen van een andere generatie van toepassing zijn.
Eerder denkwerk bewaren
Standaard bewaart de template denkblokken die bij het meest recente gebruikersbericht horen. Qwen3.6 is daarnaast getraind om eerdere redeneringen te gebruiken wanneer preserve_thinking is ingeschakeld. Het expliciete voorbeeld zet die optie op true. Dit kan een iteratieve agenttaak helpen om beslissingscontext te bewaren in plaats van eerdere keuzes telkens opnieuw af te leiden; het verandert ook hoeveel geschiedenis de aanvraag meeneemt. De beschikbaarheid van de optie hangt af van de interface die het recept van de ontwikkelaar aanbiedt.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan voor het configureren van tools, waaronder via MCP aangesloten tools. Qwen Code is een andere door de ontwikkelaar gedocumenteerde workflow voor programmeeragents. Definieer de toegestane tools, het taakdoel en het verwachte resultaat en geef daarna daadwerkelijke toolwaarnemingen aan het model terug. Het model kan over een resultaat redeneren en een plan bijsturen; toegang tot bestanden of uitvoeringsomgevingen komt van de aangesloten toepassing, niet van de modelnaam.
Zeer lange tekst
De gedocumenteerde contextuitbreiding gebruikt YaRN met de interleaved positie-instellingen van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens; voor werklasten van 524,288 tokens stelt Qwen een factor twee voor. Statische schaling kan de prestaties bij kortere tekst beïnvloeden. De ontwikkelaar raadt daarom aan om ze aan te passen wanneer de langere context nodig is. Behoud onderdeel- en code-identificaties in een grote invoer en vraag het resultaat om te tonen welk bewijs elke conclusie ondersteunt.
Generatierichtlijnen en beperkingen
Voor algemeen denkwerk raadt de ontwikkelaar temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan. Voor nauwkeurig programmeerwerk wordt temperature 0.6 en presence penalty nul. Voor rechtstreekse antwoorden zijn de aanbevolen waarden temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. Hogere presence penalties kunnen herhaling verminderen, maar ook talen mengen of de kwaliteit licht verlagen.
Qwen raadt voor de meeste vragen een generatiebudget van 32,768 tokens aan en 81,920 voor uitzonderlijk complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen afzonderlijk vastgestelde harde uitvoerlimieten. Vermeld het definitieve formaat expliciet en controleer code, berekeningen en geëxtraheerde visuele details aan de hand van de bron. Continuïteit van redeneringen en een lange context helpen het bewijsmateriaal van een taak mee te nemen; een controleerbaar definitief artefact maakt het resultaat bruikbaar.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.6-35b-a3b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000566 / 1K tokens Uitvoer · Uitvoertokens $0.00341 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.000566 / 1K tokens Uitvoer · Uitvoertokens $0.00341 / 1K tokens Invoer · Cache lezen $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B is het vision-language mixture-of-experts-model van Qwen met in totaal 35 miljard parameters waarvan 3 miljard worden geactiveerd. Het focust op frontendprogrammering en programmeren op repositoryniveau, voegt optioneel behoud van eerdere redeneringen toe en verwerkt tekst, afbeeldingen en video met tekstuele uitvoer.
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: programmeren en continuïteit van redeneringen
Qwen3.6-35B-A3B is een vision-language-model dat focust op nuttig programmeerwerk en agentwerk. Qwen benadrukt betere frontendworkflows en redeneren op repositoryniveau, plus een nieuwe optie om denkwerk uit eerdere berichten te bewaren. Het verwerkt tekst, afbeeldingen en video en geeft tekst terug: een uitleg, codevoorstel, gestructureerde analyse of een ander gevraagd tekstartefact. Behoud deze specifieke 35B-A3B-editie, in plaats van ze te behandelen als het dense Qwen3.6-27B of de eerdere Qwen3.5-tegenhanger.
Geef voor een frontendtaak het relevante screenshot, de functionele vereisten en de bestaande codecontext. Vraag om bewerkbare broncode en een beschrijving van de beoogde toestanden en interacties. Duid voor een repositorytaak de betrokken functie, de invoer die een probleem blootlegt en het verwachte gedrag aan. Vraag om een voorgestelde patch met de aannames en relevante controles.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert er drie miljard. De hybride opbouw met 40 lagen herhaalt telkens drie Gated DeltaNet-expertlagen gevolgd door één expertlaag met gated attention. Het heeft 256 routed experts en selecteert acht routed experts met één gedeelde expert; multi-token prediction maakt deel uit van de training. Het kleinere aantal geactiveerde parameters beschrijft niet de volledige checkpointgrootte. Een vision encoder verzorgt het visuele deel van het model.
De native context bedraagt 262,144 tokens, met een voorwaardelijke uitbreiding tot 1,010,000. De ontwikkelaar raadt aan om bij complexe denktaken waar mogelijk een context van minstens 128K te behouden, ook als een kleinere context de geheugendruk zou verlagen. Brontekst, visuele representaties, eerdere berichten, redeneringen en het definitieve antwoord delen de ingestelde sequentieruimte.
Invoer en antwoordmodi gebruiken
De modelkaart toont tekst-, afbeeldings- en videovragen. Behoud bij een diagram of pagina de labels en definieer de exacte vraag. Behoud bij een clip de timing en vermeld de gebeurtenis die van belang is. Het ondersteunde videovoorbeeld van de ontwikkelaar gebruikt standaard twee frames per seconde en laat configuratie van de sampling toe. Het aanbevolen recept breidt het budget van de videoprocessor uit tot ongeveer 224K videotokens voor analyse met een hogere samplingfrequentie van video's van ongeveer een uur; dit is een configuratievoorbeeld en geen harde, universele limiet voor de clipduur.
Denken staat standaard aan. De instelling enable_thinking van de ontwikkelaar kan dit uitschakelen voor een rechtstreeks antwoord. Qwen3.6 ondersteunt de oudere soft-promptschakelaars /think en /nothink uit Qwen3 niet officieel. Scheid bij de presentatie van een resultaat de redenering van het definitieve artefact en volg de eigen interface van dit checkpoint. Ga er niet van uit dat promptmarkeringen of instellingen van een andere generatie van toepassing zijn.
Eerder denkwerk bewaren
Standaard bewaart de template denkblokken die bij het meest recente gebruikersbericht horen. Qwen3.6 is daarnaast getraind om eerdere redeneringen te gebruiken wanneer preserve_thinking is ingeschakeld. Het expliciete voorbeeld zet die optie op true. Dit kan een iteratieve agenttaak helpen om beslissingscontext te bewaren in plaats van eerdere keuzes telkens opnieuw af te leiden; het verandert ook hoeveel geschiedenis de aanvraag meeneemt. De beschikbaarheid van de optie hangt af van de interface die het recept van de ontwikkelaar aanbiedt.
Gebruik met agents
Qwen documenteert tool calling en raadt Qwen-Agent aan voor het configureren van tools, waaronder via MCP aangesloten tools. Qwen Code is een andere door de ontwikkelaar gedocumenteerde workflow voor programmeeragents. Definieer de toegestane tools, het taakdoel en het verwachte resultaat en geef daarna daadwerkelijke toolwaarnemingen aan het model terug. Het model kan over een resultaat redeneren en een plan bijsturen; toegang tot bestanden of uitvoeringsomgevingen komt van de aangesloten toepassing, niet van de modelnaam.
Zeer lange tekst
De gedocumenteerde contextuitbreiding gebruikt YaRN met de interleaved positie-instellingen van het checkpoint. Een factor vier is bedoeld voor de workflow met ongeveer één miljoen tokens; voor werklasten van 524,288 tokens stelt Qwen een factor twee voor. Statische schaling kan de prestaties bij kortere tekst beïnvloeden. De ontwikkelaar raadt daarom aan om ze aan te passen wanneer de langere context nodig is. Behoud onderdeel- en code-identificaties in een grote invoer en vraag het resultaat om te tonen welk bewijs elke conclusie ondersteunt.
Generatierichtlijnen en beperkingen
Voor algemeen denkwerk raadt de ontwikkelaar temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan. Voor nauwkeurig programmeerwerk wordt temperature 0.6 en presence penalty nul. Voor rechtstreekse antwoorden zijn de aanbevolen waarden temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. Hogere presence penalties kunnen herhaling verminderen, maar ook talen mengen of de kwaliteit licht verlagen.
Qwen raadt voor de meeste vragen een generatiebudget van 32,768 tokens aan en 81,920 voor uitzonderlijk complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen afzonderlijk vastgestelde harde uitvoerlimieten. Vermeld het definitieve formaat expliciet en controleer code, berekeningen en geëxtraheerde visuele details aan de hand van de bron. Continuïteit van redeneringen en een lange context helpen het bewijsmateriaal van een taak mee te nemen; een controleerbaar definitief artefact maakt het resultaat bruikbaar.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.6-35b-a3b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000566 / 1K tokens Uitvoer · Uitvoertokens $0.00341 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.000566 / 1K tokens Uitvoer · Uitvoertokens $0.00341 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.