Belangrijkste kenmerken van Qwen3.5: het expertmodel 122B-A10B
Qwen3.5-122B-A10B is een nagetraind visueel taalmodel voor gecombineerde tekstuele en visuele taken. Het accepteert tekst, afbeeldingen en video en retourneert tekst, waaronder uitleg, codevoorstellen en gevraagde documenten. De familie wordt opgebouwd via vroege fusie van tekst en beeld en reinforcement learning op steeds complexere taken en ontwikkelt redeneren, programmeren, agents en visueel begrip. Ze beschrijft dekking van 201 talen en dialecten, zonder te suggereren dat elke taal of elk domein dezelfde betrouwbaarheid heeft.
Een nuttige taak kan een technische specificatie, schema's en relevante code combineren en het model vragen de onderdelen uit te leggen en een implementatievoorstel te retourneren. Een documentanalysetaak kan vragen om een vergelijking met ondersteunende paragraaf- of paginaverwijzingen.
Modeloverzicht
Het sparse mixture-of-experts-checkpoint heeft in totaal 122 miljard parameters en activeert tien miljard. Het heeft 48 taalmodellagen, met groepen van drie Gated DeltaNet-expertlagen gevolgd door één gated-attention-expertlaag. De maker vermeldt 256 gerouteerde experts en selecteert acht gerouteerde experts samen met één gedeelde expert. Een vision-encoder en multi-token prediction maken deel uit van het model. De totale en geactiveerde aantallen hebben verschillende betekenissen; het geactiveerde getal is niet de volledige checkpointgrootte.
Dit is een afzonderlijke editie ten opzichte van de dichte Qwen3.5-27B, sparse Qwen3.5-35B-A3B en latere modelgeneraties. Leid geen algemene prestatie- of latentierangschikking af uit alleen de grootte. De native context is 262,144 tokens en de gedocumenteerde uitbreiding bereikt 1,010,000 via configuratie. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complex denken en erkent daarbij dat geheugendruk een kleiner venster kan vereisen.
Gecombineerd tekstueel en visueel bewijs voorbereiden
Behoud diagramlabels, grafiekassen, tabelkoppen en eenheden. Geef aan of het resultaat een verband moet uitleggen, benoemde velden moet extraheren of code moet voorstellen. Label meerdere relevante bronnen en vraag om uitvoer die volgens dezelfde identificaties is geordend. Scheid zichtbare feiten van aannames, zodat een beoordelaar het redeneerproces naar het aangeleverde materiaal kan herleiden.
Benoem voor een programmeerverzoek het beoogde gedrag, de relevante broncode en invoer die het probleem aantoont. Vraag om een bewerkbare patch met uitleg over de betrokken voorwaarden en controles. Behoud voor video de gebeurtenisvolgorde en timing en specificeer de vraag, in plaats van om een ongerichte samenvatting te vragen. Het tekstresultaat van het model is een te inspecteren concept; de mogelijkheid voor visuele invoer betekent niet dat afbeeldingen, video of spraak worden gegenereerd.
Denken en geschiedenis
Denken is standaard ingeschakeld, met redeneren vóór het eindantwoord. De instelling enable_thinking van de maker kan dit uitschakelen voor directe antwoorden. De oude softschakelaars /think en /nothink worden officieel niet ondersteund. Qwen3.5 beveelt aan in historische assistentberichten eindantwoorden zonder denkinhoud te bewaren. Dit mag niet worden vervangen door opties voor historisch behoud van latere Qwen-generaties, alleen omdat ze een familienaam delen.
Maak het eindresultaat gemakkelijk te vinden, bijvoorbeeld in een omschreven antwoordveld, als afgebakende waarde of als afzonderlijke code. Een direct antwoord moet nog steeds worden gecontroleerd, terwijl langer redeneren alleen nuttig is wanneer de stappen een verifieerbare conclusie ondersteunen.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, samen met Qwen Code voor code-agentwerk. Definieer de toegestane handelingen, het beschikbare bewijs en de voltooiingscriteria. Gekoppelde tools voeren bewerkingen uit en retourneren resultaten; het model gebruikt die feedback in de analyse. Een voorgesteld commando, retrievalquery of patch moet gescheiden blijven van een handeling die de toepassing werkelijk heeft voltooid.
Ultralange context en video
De uitbreiding van de maker gebruikt YaRN met de verweven positie-instellingen van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens en twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus die moet volgen uit een echte behoefte aan grotere context. Invoer, gerepresenteerd beeldmateriaal, geschiedenis, redeneren en het eindantwoord gebruiken allemaal het geconfigureerde sequentiebudget.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal op uurschaal beveelt de maker aan het processorbudget tot ongeveer 224K videotokens te verhogen voor bemonstering met hogere frequentie. Dat is een configuratieafhankelijke procedure, geen universele garantie voor mediaduur, volledige herinnering of tijdstempelnauwkeurigheid.
Generatierichtlijnen en inhoudelijke beperkingen
De Best Practices bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan voor algemeen denken. Nauwkeurig programmeren gebruikt temperature 0.6 en presence penalty nul. Algemene directe antwoorden gebruiken temperature 0.7, top_p 0.8 en presence penalty 1.5; top_k is 20, min_p is 0 en repetition penalty is 1.0. Redeneren met directe antwoorden heeft een afzonderlijke preset: temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Hogere presence penalties kunnen talen mengen of de kwaliteit enigszins verlagen.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complex wiskundig of programmeerwerk; het zijn geen afzonderlijk vastgestelde harde uitvoergrenzen. Definieer het gevraagde formaat, behoud bronidentificaties en controleer berekeningen, geëxtraheerde waarden en voorgestelde code aan de hand van het oorspronkelijke bewijs. Het nuttige resultaat is een volledig tekstueel eindproduct waarvan aannames en ondersteunend materiaal zichtbaar blijven.
", "aboutText": "Belangrijkste kenmerken van Qwen3.5: het expertmodel 122B-A10B\n\nQwen3.5-122B-A10B is een nagetraind visueel taalmodel voor gecombineerde tekstuele en visuele taken. Het accepteert tekst, afbeeldingen en video en retourneert tekst, waaronder uitleg, codevoorstellen en gevraagde documenten. De familie wordt opgebouwd via vroege fusie van tekst en beeld en reinforcement learning op steeds complexere taken en ontwikkelt redeneren, programmeren, agents en visueel begrip. Ze beschrijft dekking van 201 talen en dialecten, zonder te suggereren dat elke taal of elk domein dezelfde betrouwbaarheid heeft.\n\nEen nuttige taak kan een technische specificatie, schema's en relevante code combineren en het model vragen de onderdelen uit te leggen en een implementatievoorstel te retourneren. Een documentanalysetaak kan vragen om een vergelijking met ondersteunende paragraaf- of paginaverwijzingen.\n\nModeloverzicht\n\nHet sparse mixture-of-experts-checkpoint heeft in totaal 122 miljard parameters en activeert tien miljard. Het heeft 48 taalmodellagen, met groepen van drie Gated DeltaNet-expertlagen gevolgd door één gated-attention-expertlaag. De maker vermeldt 256 gerouteerde experts en selecteert acht gerouteerde experts samen met één gedeelde expert. Een vision-encoder en multi-token prediction maken deel uit van het model. De totale en geactiveerde aantallen hebben verschillende betekenissen; het geactiveerde getal is niet de volledige checkpointgrootte.\n\nDit is een afzonderlijke editie ten opzichte van de dichte Qwen3.5-27B, sparse Qwen3.5-35B-A3B en latere modelgeneraties. Leid geen algemene prestatie- of latentierangschikking af uit alleen de grootte. De native context is 262,144 tokens en de gedocumenteerde uitbreiding bereikt 1,010,000 via configuratie. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complex denken en erkent daarbij dat geheugendruk een kleiner venster kan vereisen.\n\nGecombineerd tekstueel en visueel bewijs voorbereiden\n\nBehoud diagramlabels, grafiekassen, tabelkoppen en eenheden. Geef aan of het resultaat een verband moet uitleggen, benoemde velden moet extraheren of code moet voorstellen. Label meerdere relevante bronnen en vraag om uitvoer die volgens dezelfde identificaties is geordend. Scheid zichtbare feiten van aannames, zodat een beoordelaar het redeneerproces naar het aangeleverde materiaal kan herleiden.\n\nBenoem voor een programmeerverzoek het beoogde gedrag, de relevante broncode en invoer die het probleem aantoont. Vraag om een bewerkbare patch met uitleg over de betrokken voorwaarden en controles. Behoud voor video de gebeurtenisvolgorde en timing en specificeer de vraag, in plaats van om een ongerichte samenvatting te vragen. Het tekstresultaat van het model is een te inspecteren concept; de mogelijkheid voor visuele invoer betekent niet dat afbeeldingen, video of spraak worden gegenereerd.\n\nDenken en geschiedenis\n\nDenken is standaard ingeschakeld, met redeneren vóór het eindantwoord. De instelling enable_thinking van de maker kan dit uitschakelen voor directe antwoorden. De oude softschakelaars /think en /nothink worden officieel niet ondersteund. Qwen3.5 beveelt aan in historische assistentberichten eindantwoorden zonder denkinhoud te bewaren. Dit mag niet worden vervangen door opties voor historisch behoud van latere Qwen-generaties, alleen omdat ze een familienaam delen.\n\nMaak het eindresultaat gemakkelijk te vinden, bijvoorbeeld in een omschreven antwoordveld, als afgebakende waarde of als afzonderlijke code. Een direct antwoord moet nog steeds worden gecontroleerd, terwijl langer redeneren alleen nuttig is wanneer de stappen een verifieerbare conclusie ondersteunen.\n\nAgentgebruik\n\nQwen documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, samen met Qwen Code voor code-agentwerk. Definieer de toegestane handelingen, het beschikbare bewijs en de voltooiingscriteria. Gekoppelde tools voeren bewerkingen uit en retourneren resultaten; het model gebruikt die feedback in de analyse. Een voorgesteld commando, retrievalquery of patch moet gescheiden blijven van een handeling die de toepassing werkelijk heeft voltooid.\n\nUltralange context en video\n\nDe uitbreiding van de maker gebruikt YaRN met de verweven positie-instellingen van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens en twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus die moet volgen uit een echte behoefte aan grotere context. Invoer, gerepresenteerd beeldmateriaal, geschiedenis, redeneren en het eindantwoord gebruiken allemaal het geconfigureerde sequentiebudget.\n\nHet ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal op uurschaal beveelt de maker aan het processorbudget tot ongeveer 224K videotokens te verhogen voor bemonstering met hogere frequentie. Dat is een configuratieafhankelijke procedure, geen universele garantie voor mediaduur, volledige herinnering of tijdstempelnauwkeurigheid.\n\nGeneratierichtlijnen en inhoudelijke beperkingen\n\nDe Best Practices bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan voor algemeen denken. Nauwkeurig programmeren gebruikt temperature 0.6 en presence penalty nul. Algemene directe antwoorden gebruiken temperature 0.7, top_p 0.8 en presence penalty 1.5; top_k is 20, min_p is 0 en repetition penalty is 1.0. Redeneren met directe antwoorden heeft een afzonderlijke preset: temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Hogere presence penalties kunnen talen mengen of de kwaliteit enigszins verlagen.\n\nDe aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complex wiskundig of programmeerwerk; het zijn geen afzonderlijk vastgestelde harde uitvoergrenzen. Definieer het gevraagde formaat, behoud bronidentificaties en controleer berekeningen, geëxtraheerde waarden en voorgestelde code aan de hand van het oorspronkelijke bewijs. Het nuttige resultaat is een volledig tekstueel eindproduct waarvan aannames en ondersteunend materiaal zichtbaar blijven.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B is Qwens visuele mixture-of-experts-taalmodel met in totaal 122 miljard parameters en 10 miljard geactiveerde parameters. Het ontvangt tekst, afbeeldingen en video voor redeneer-, programmeer- en agenttaken en retourneert tekst 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.
Belangrijkste kenmerken van Qwen3.5: het expertmodel 122B-A10B
Qwen3.5-122B-A10B is een nagetraind visueel taalmodel voor gecombineerde tekstuele en visuele taken. Het accepteert tekst, afbeeldingen en video en retourneert tekst, waaronder uitleg, codevoorstellen en gevraagde documenten. De familie wordt opgebouwd via vroege fusie van tekst en beeld en reinforcement learning op steeds complexere taken en ontwikkelt redeneren, programmeren, agents en visueel begrip. Ze beschrijft dekking van 201 talen en dialecten, zonder te suggereren dat elke taal of elk domein dezelfde betrouwbaarheid heeft.
Een nuttige taak kan een technische specificatie, schema's en relevante code combineren en het model vragen de onderdelen uit te leggen en een implementatievoorstel te retourneren. Een documentanalysetaak kan vragen om een vergelijking met ondersteunende paragraaf- of paginaverwijzingen.
Modeloverzicht
Het sparse mixture-of-experts-checkpoint heeft in totaal 122 miljard parameters en activeert tien miljard. Het heeft 48 taalmodellagen, met groepen van drie Gated DeltaNet-expertlagen gevolgd door één gated-attention-expertlaag. De maker vermeldt 256 gerouteerde experts en selecteert acht gerouteerde experts samen met één gedeelde expert. Een vision-encoder en multi-token prediction maken deel uit van het model. De totale en geactiveerde aantallen hebben verschillende betekenissen; het geactiveerde getal is niet de volledige checkpointgrootte.
Dit is een afzonderlijke editie ten opzichte van de dichte Qwen3.5-27B, sparse Qwen3.5-35B-A3B en latere modelgeneraties. Leid geen algemene prestatie- of latentierangschikking af uit alleen de grootte. De native context is 262,144 tokens en de gedocumenteerde uitbreiding bereikt 1,010,000 via configuratie. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complex denken en erkent daarbij dat geheugendruk een kleiner venster kan vereisen.
Gecombineerd tekstueel en visueel bewijs voorbereiden
Behoud diagramlabels, grafiekassen, tabelkoppen en eenheden. Geef aan of het resultaat een verband moet uitleggen, benoemde velden moet extraheren of code moet voorstellen. Label meerdere relevante bronnen en vraag om uitvoer die volgens dezelfde identificaties is geordend. Scheid zichtbare feiten van aannames, zodat een beoordelaar het redeneerproces naar het aangeleverde materiaal kan herleiden.
Benoem voor een programmeerverzoek het beoogde gedrag, de relevante broncode en invoer die het probleem aantoont. Vraag om een bewerkbare patch met uitleg over de betrokken voorwaarden en controles. Behoud voor video de gebeurtenisvolgorde en timing en specificeer de vraag, in plaats van om een ongerichte samenvatting te vragen. Het tekstresultaat van het model is een te inspecteren concept; de mogelijkheid voor visuele invoer betekent niet dat afbeeldingen, video of spraak worden gegenereerd.
Denken en geschiedenis
Denken is standaard ingeschakeld, met redeneren vóór het eindantwoord. De instelling enable_thinking van de maker kan dit uitschakelen voor directe antwoorden. De oude softschakelaars /think en /nothink worden officieel niet ondersteund. Qwen3.5 beveelt aan in historische assistentberichten eindantwoorden zonder denkinhoud te bewaren. Dit mag niet worden vervangen door opties voor historisch behoud van latere Qwen-generaties, alleen omdat ze een familienaam delen.
Maak het eindresultaat gemakkelijk te vinden, bijvoorbeeld in een omschreven antwoordveld, als afgebakende waarde of als afzonderlijke code. Een direct antwoord moet nog steeds worden gecontroleerd, terwijl langer redeneren alleen nuttig is wanneer de stappen een verifieerbare conclusie ondersteunen.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, samen met Qwen Code voor code-agentwerk. Definieer de toegestane handelingen, het beschikbare bewijs en de voltooiingscriteria. Gekoppelde tools voeren bewerkingen uit en retourneren resultaten; het model gebruikt die feedback in de analyse. Een voorgesteld commando, retrievalquery of patch moet gescheiden blijven van een handeling die de toepassing werkelijk heeft voltooid.
Ultralange context en video
De uitbreiding van de maker gebruikt YaRN met de verweven positie-instellingen van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens en twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus die moet volgen uit een echte behoefte aan grotere context. Invoer, gerepresenteerd beeldmateriaal, geschiedenis, redeneren en het eindantwoord gebruiken allemaal het geconfigureerde sequentiebudget.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal op uurschaal beveelt de maker aan het processorbudget tot ongeveer 224K videotokens te verhogen voor bemonstering met hogere frequentie. Dat is een configuratieafhankelijke procedure, geen universele garantie voor mediaduur, volledige herinnering of tijdstempelnauwkeurigheid.
Generatierichtlijnen en inhoudelijke beperkingen
De Best Practices bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan voor algemeen denken. Nauwkeurig programmeren gebruikt temperature 0.6 en presence penalty nul. Algemene directe antwoorden gebruiken temperature 0.7, top_p 0.8 en presence penalty 1.5; top_k is 20, min_p is 0 en repetition penalty is 1.0. Redeneren met directe antwoorden heeft een afzonderlijke preset: temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Hogere presence penalties kunnen talen mengen of de kwaliteit enigszins verlagen.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complex wiskundig of programmeerwerk; het zijn geen afzonderlijk vastgestelde harde uitvoergrenzen. Definieer het gevraagde formaat, behoud bronidentificaties en controleer berekeningen, geëxtraheerde waarden en voorgestelde code aan de hand van het oorspronkelijke bewijs. Het nuttige resultaat is een volledig tekstueel eindproduct waarvan aannames en ondersteunend materiaal zichtbaar blijven.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-122b-a10b | 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 $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00458 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00458 / 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/qwen3.5-122b-a10b", "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/qwen3.5-122b-a10b',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/qwen3.5-122b-a10b',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/qwen3.5-122b-a10b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B is Qwens visuele mixture-of-experts-taalmodel met in totaal 122 miljard parameters en 10 miljard geactiveerde parameters. Het ontvangt tekst, afbeeldingen en video voor redeneer-, programmeer- en agenttaken en retourneert tekst 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.
Belangrijkste kenmerken van Qwen3.5: het expertmodel 122B-A10B
Qwen3.5-122B-A10B is een nagetraind visueel taalmodel voor gecombineerde tekstuele en visuele taken. Het accepteert tekst, afbeeldingen en video en retourneert tekst, waaronder uitleg, codevoorstellen en gevraagde documenten. De familie wordt opgebouwd via vroege fusie van tekst en beeld en reinforcement learning op steeds complexere taken en ontwikkelt redeneren, programmeren, agents en visueel begrip. Ze beschrijft dekking van 201 talen en dialecten, zonder te suggereren dat elke taal of elk domein dezelfde betrouwbaarheid heeft.
Een nuttige taak kan een technische specificatie, schema's en relevante code combineren en het model vragen de onderdelen uit te leggen en een implementatievoorstel te retourneren. Een documentanalysetaak kan vragen om een vergelijking met ondersteunende paragraaf- of paginaverwijzingen.
Modeloverzicht
Het sparse mixture-of-experts-checkpoint heeft in totaal 122 miljard parameters en activeert tien miljard. Het heeft 48 taalmodellagen, met groepen van drie Gated DeltaNet-expertlagen gevolgd door één gated-attention-expertlaag. De maker vermeldt 256 gerouteerde experts en selecteert acht gerouteerde experts samen met één gedeelde expert. Een vision-encoder en multi-token prediction maken deel uit van het model. De totale en geactiveerde aantallen hebben verschillende betekenissen; het geactiveerde getal is niet de volledige checkpointgrootte.
Dit is een afzonderlijke editie ten opzichte van de dichte Qwen3.5-27B, sparse Qwen3.5-35B-A3B en latere modelgeneraties. Leid geen algemene prestatie- of latentierangschikking af uit alleen de grootte. De native context is 262,144 tokens en de gedocumenteerde uitbreiding bereikt 1,010,000 via configuratie. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complex denken en erkent daarbij dat geheugendruk een kleiner venster kan vereisen.
Gecombineerd tekstueel en visueel bewijs voorbereiden
Behoud diagramlabels, grafiekassen, tabelkoppen en eenheden. Geef aan of het resultaat een verband moet uitleggen, benoemde velden moet extraheren of code moet voorstellen. Label meerdere relevante bronnen en vraag om uitvoer die volgens dezelfde identificaties is geordend. Scheid zichtbare feiten van aannames, zodat een beoordelaar het redeneerproces naar het aangeleverde materiaal kan herleiden.
Benoem voor een programmeerverzoek het beoogde gedrag, de relevante broncode en invoer die het probleem aantoont. Vraag om een bewerkbare patch met uitleg over de betrokken voorwaarden en controles. Behoud voor video de gebeurtenisvolgorde en timing en specificeer de vraag, in plaats van om een ongerichte samenvatting te vragen. Het tekstresultaat van het model is een te inspecteren concept; de mogelijkheid voor visuele invoer betekent niet dat afbeeldingen, video of spraak worden gegenereerd.
Denken en geschiedenis
Denken is standaard ingeschakeld, met redeneren vóór het eindantwoord. De instelling enable_thinking van de maker kan dit uitschakelen voor directe antwoorden. De oude softschakelaars /think en /nothink worden officieel niet ondersteund. Qwen3.5 beveelt aan in historische assistentberichten eindantwoorden zonder denkinhoud te bewaren. Dit mag niet worden vervangen door opties voor historisch behoud van latere Qwen-generaties, alleen omdat ze een familienaam delen.
Maak het eindresultaat gemakkelijk te vinden, bijvoorbeeld in een omschreven antwoordveld, als afgebakende waarde of als afzonderlijke code. Een direct antwoord moet nog steeds worden gecontroleerd, terwijl langer redeneren alleen nuttig is wanneer de stappen een verifieerbare conclusie ondersteunen.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, samen met Qwen Code voor code-agentwerk. Definieer de toegestane handelingen, het beschikbare bewijs en de voltooiingscriteria. Gekoppelde tools voeren bewerkingen uit en retourneren resultaten; het model gebruikt die feedback in de analyse. Een voorgesteld commando, retrievalquery of patch moet gescheiden blijven van een handeling die de toepassing werkelijk heeft voltooid.
Ultralange context en video
De uitbreiding van de maker gebruikt YaRN met de verweven positie-instellingen van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens en twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus die moet volgen uit een echte behoefte aan grotere context. Invoer, gerepresenteerd beeldmateriaal, geschiedenis, redeneren en het eindantwoord gebruiken allemaal het geconfigureerde sequentiebudget.
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. Voor materiaal op uurschaal beveelt de maker aan het processorbudget tot ongeveer 224K videotokens te verhogen voor bemonstering met hogere frequentie. Dat is een configuratieafhankelijke procedure, geen universele garantie voor mediaduur, volledige herinnering of tijdstempelnauwkeurigheid.
Generatierichtlijnen en inhoudelijke beperkingen
De Best Practices bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan voor algemeen denken. Nauwkeurig programmeren gebruikt temperature 0.6 en presence penalty nul. Algemene directe antwoorden gebruiken temperature 0.7, top_p 0.8 en presence penalty 1.5; top_k is 20, min_p is 0 en repetition penalty is 1.0. Redeneren met directe antwoorden heeft een afzonderlijke preset: temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0. Hogere presence penalties kunnen talen mengen of de kwaliteit enigszins verlagen.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complex wiskundig of programmeerwerk; het zijn geen afzonderlijk vastgestelde harde uitvoergrenzen. Definieer het gevraagde formaat, behoud bronidentificaties en controleer berekeningen, geëxtraheerde waarden en voorgestelde code aan de hand van het oorspronkelijke bewijs. Het nuttige resultaat is een volledig tekstueel eindproduct waarvan aannames en ondersteunend materiaal zichtbaar blijven.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-122b-a10b | 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 $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00458 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00458 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-122b-a10b', '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/qwen3.5-122b-a10b', '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/qwen3.5-122b-a10b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.