Belangrijkste kenmerken van Qwen3.5 in de dichte 27B-editie
Qwen3.5-27B is een nagetraind dicht visueel taalmodel. Tekst, afbeeldingen en video kunnen aan één taak deelnemen, terwijl het resultaat tekst is: een uitleg, codevoorstel, geëxtraheerde informatie of een ander gevraagd eindproduct. De vroege fusie van tekstuele en visuele training in de familie ontwikkelt redeneer-, programmeer-, agent- en visuele mogelijkheden, met reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten.
Die taaldekking helpt meertalige taken vorm te geven, maar garandeert geen gelijke betrouwbaarheid voor elk dialect of elke specialistische woordenschat. Geef de doeltaal, doelgroep en termen die ongewijzigd moeten blijven aan. Label voor een documentvergelijking tussen talen elke bron en vraag om een resultaat dat is ingedeeld naar de te vergelijken feiten of vragen.
Modeloverzicht
De exacte 27B-editie is dicht, met 64 taalmodellagen en een vision-encoder. De hybride indeling wisselt groepen van drie Gated DeltaNet-lagen en één gated-attention-laag af en gebruikt dichte feedforwardnetwerken. Multi-token prediction is opgenomen in de training. De sparse mixture-of-experts-architectuur die voor andere Qwen3.5-groottes wordt beschreven, mag niet aan dit model worden toegekend; de identiteit met 27 miljard parameters is de eigen checkpointspecificatie.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. Qwen beveelt aan waar mogelijk ten minste 128K context te behouden voor complexe denktaken en staat kleinere instellingen toe wanneer geheugenbeperkingen die vereisen. Dit is configuratieadvies en geen bewijs dat elke interface de volledige context aanbiedt. Brontekst, visuele tokens, geschiedenis, redeneren en het antwoord delen de sequentieruimte.
Tekstuele en visuele voorbereiding
Bewaar voor een technisch document paragraafidentificaties en vraag om een eisentabel of uitleg die door die paragrafen wordt ondersteund. Behoud voor een schema labels en lever definities aan die niet in de afbeelding zichtbaar zijn. Lever voor een codetaak de relevante functie, het waargenomen gedrag en vereiste resultaat aan. Een bruikbaar antwoord moet het gebruikte bewijs benoemen, aannames afzonderlijk weergeven en het eindproduct in een controleerbare vorm retourneren.
Benoem voor een videovraag de relevante gebeurtenis of volgorde en behoud timing en framevolgorde. Het voorbeeld van de maker gebruikt twee frames per seconde in de ondersteunde workflow. De richtlijnen voor lange video bevelen een groter processorbudget aan, dat overeenkomt met ongeveer 224K videotokens, voor analyse op uurschaal met hogere bemonsteringsfrequentie. Die instellingen vereisen configuratie en leggen geen universele garantie voor duur of exacte gebeurtenistijdstempels vast.
Denken en directe antwoorden
Denken is standaard ingeschakeld en gaat aan het eindantwoord vooraf. enable_thinking kan dit uitschakelen voor een direct antwoord. Qwen3.5 ondersteunt officieel niet de oudere softschakelaars /think en /nothink. De maker beveelt aan alleen eindantwoordtekst te bewaren in historische assistentberichten, zonder denkinhoud. Dit zijn de afspraken van Qwen3.5 en ze moeten gescheiden blijven van gedrag voor historisch redeneerbehoud dat voor latere releases is gedocumenteerd.
Kies een eindvorm voordat u de taak verstuurt: een korte conclusie met ondersteunende waarden, een tabel met geëxtraheerde velden of een toegelichte codepatch. Een direct antwoord blijft een gegenereerd antwoord dat beoordeeld moet worden; een lang denktranscript is geen onafhankelijk bewijs dat de conclusie correct is.
Agentgebruik
De maker ondersteunt tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, plus Qwen Code voor code-agentworkflows. Geef de toepassingstools een duidelijke rol en retourneer hun werkelijke waarnemingen naar het model. Het model kan op basis van die feedback plannen en herzien, terwijl de toepassing de handelingen uitvoert. Toolondersteuning bewijst op zichzelf geen ingebouwde toegang tot internet, bestanden of een code-uitvoeringsomgeving via elke interface.
Ultralange tekst
De uitbreiding gebruikt YaRN met de eigen positieconfiguratie van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor 524,288 tokens. Statische schaling kan de kwaliteit bij kortere tekst verlagen, dus de maker beveelt die aan wanneer de grotere context werkelijk nodig is. Houd lang materiaal geordend en reserveer ruimte voor het vereiste antwoord, in plaats van het grootste contextgetal als onbeperkte documentherinnering te interpreteren.
Generatierichtlijnen en 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 gebruikt de afzonderlijke Best Practices-preset van 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 generatiebudgetten zijn 32,768 tokens voor de meeste taken en 81,920 voor uitzonderlijk complexe wiskunde of programmeren. Het zijn geen onafhankelijke harde uitvoergrenzen. Geef het antwoordschema of scheidingsteken expliciet aan en controleer code, berekeningen, citaten en visuele details aan de hand van de bron. Het nuttige resultaat is een concreet tekstueel eindproduct met behoud van de exacte dichte 27B-identiteit, invoer en antwoordmodus.
", "aboutText": "Belangrijkste kenmerken van Qwen3.5 in de dichte 27B-editie\n\nQwen3.5-27B is een nagetraind dicht visueel taalmodel. Tekst, afbeeldingen en video kunnen aan één taak deelnemen, terwijl het resultaat tekst is: een uitleg, codevoorstel, geëxtraheerde informatie of een ander gevraagd eindproduct. De vroege fusie van tekstuele en visuele training in de familie ontwikkelt redeneer-, programmeer-, agent- en visuele mogelijkheden, met reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten.\n\nDie taaldekking helpt meertalige taken vorm te geven, maar garandeert geen gelijke betrouwbaarheid voor elk dialect of elke specialistische woordenschat. Geef de doeltaal, doelgroep en termen die ongewijzigd moeten blijven aan. Label voor een documentvergelijking tussen talen elke bron en vraag om een resultaat dat is ingedeeld naar de te vergelijken feiten of vragen.\n\nModeloverzicht\n\nDe exacte 27B-editie is dicht, met 64 taalmodellagen en een vision-encoder. De hybride indeling wisselt groepen van drie Gated DeltaNet-lagen en één gated-attention-laag af en gebruikt dichte feedforwardnetwerken. Multi-token prediction is opgenomen in de training. De sparse mixture-of-experts-architectuur die voor andere Qwen3.5-groottes wordt beschreven, mag niet aan dit model worden toegekend; de identiteit met 27 miljard parameters is de eigen checkpointspecificatie.\n\nDe native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. Qwen beveelt aan waar mogelijk ten minste 128K context te behouden voor complexe denktaken en staat kleinere instellingen toe wanneer geheugenbeperkingen die vereisen. Dit is configuratieadvies en geen bewijs dat elke interface de volledige context aanbiedt. Brontekst, visuele tokens, geschiedenis, redeneren en het antwoord delen de sequentieruimte.\n\nTekstuele en visuele voorbereiding\n\nBewaar voor een technisch document paragraafidentificaties en vraag om een eisentabel of uitleg die door die paragrafen wordt ondersteund. Behoud voor een schema labels en lever definities aan die niet in de afbeelding zichtbaar zijn. Lever voor een codetaak de relevante functie, het waargenomen gedrag en vereiste resultaat aan. Een bruikbaar antwoord moet het gebruikte bewijs benoemen, aannames afzonderlijk weergeven en het eindproduct in een controleerbare vorm retourneren.\n\nBenoem voor een videovraag de relevante gebeurtenis of volgorde en behoud timing en framevolgorde. Het voorbeeld van de maker gebruikt twee frames per seconde in de ondersteunde workflow. De richtlijnen voor lange video bevelen een groter processorbudget aan, dat overeenkomt met ongeveer 224K videotokens, voor analyse op uurschaal met hogere bemonsteringsfrequentie. Die instellingen vereisen configuratie en leggen geen universele garantie voor duur of exacte gebeurtenistijdstempels vast.\n\nDenken en directe antwoorden\n\nDenken is standaard ingeschakeld en gaat aan het eindantwoord vooraf. enable_thinking kan dit uitschakelen voor een direct antwoord. Qwen3.5 ondersteunt officieel niet de oudere softschakelaars /think en /nothink. De maker beveelt aan alleen eindantwoordtekst te bewaren in historische assistentberichten, zonder denkinhoud. Dit zijn de afspraken van Qwen3.5 en ze moeten gescheiden blijven van gedrag voor historisch redeneerbehoud dat voor latere releases is gedocumenteerd.\n\nKies een eindvorm voordat u de taak verstuurt: een korte conclusie met ondersteunende waarden, een tabel met geëxtraheerde velden of een toegelichte codepatch. Een direct antwoord blijft een gegenereerd antwoord dat beoordeeld moet worden; een lang denktranscript is geen onafhankelijk bewijs dat de conclusie correct is.\n\nAgentgebruik\n\nDe maker ondersteunt tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, plus Qwen Code voor code-agentworkflows. Geef de toepassingstools een duidelijke rol en retourneer hun werkelijke waarnemingen naar het model. Het model kan op basis van die feedback plannen en herzien, terwijl de toepassing de handelingen uitvoert. Toolondersteuning bewijst op zichzelf geen ingebouwde toegang tot internet, bestanden of een code-uitvoeringsomgeving via elke interface.\n\nUltralange tekst\n\nDe uitbreiding gebruikt YaRN met de eigen positieconfiguratie van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor 524,288 tokens. Statische schaling kan de kwaliteit bij kortere tekst verlagen, dus de maker beveelt die aan wanneer de grotere context werkelijk nodig is. Houd lang materiaal geordend en reserveer ruimte voor het vereiste antwoord, in plaats van het grootste contextgetal als onbeperkte documentherinnering te interpreteren.\n\nGeneratierichtlijnen en 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 gebruikt de afzonderlijke Best Practices-preset van 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 generatiebudgetten zijn 32,768 tokens voor de meeste taken en 81,920 voor uitzonderlijk complexe wiskunde of programmeren. Het zijn geen onafhankelijke harde uitvoergrenzen. Geef het antwoordschema of scheidingsteken expliciet aan en controleer code, berekeningen, citaten en visuele details aan de hand van de bron. Het nuttige resultaat is een concreet tekstueel eindproduct met behoud van de exacte dichte 27B-identiteit, invoer en antwoordmodus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B is Qwens dichte visuele taalmodel met 27 miljard parameters voor tekst, afbeeldingen en video, met tekstuele uitvoer. Het ondersteunt redeneren, programmeren, werk met toolondersteuning en meertalige taken, 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 in de dichte 27B-editie
Qwen3.5-27B is een nagetraind dicht visueel taalmodel. Tekst, afbeeldingen en video kunnen aan één taak deelnemen, terwijl het resultaat tekst is: een uitleg, codevoorstel, geëxtraheerde informatie of een ander gevraagd eindproduct. De vroege fusie van tekstuele en visuele training in de familie ontwikkelt redeneer-, programmeer-, agent- en visuele mogelijkheden, met reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten.
Die taaldekking helpt meertalige taken vorm te geven, maar garandeert geen gelijke betrouwbaarheid voor elk dialect of elke specialistische woordenschat. Geef de doeltaal, doelgroep en termen die ongewijzigd moeten blijven aan. Label voor een documentvergelijking tussen talen elke bron en vraag om een resultaat dat is ingedeeld naar de te vergelijken feiten of vragen.
Modeloverzicht
De exacte 27B-editie is dicht, met 64 taalmodellagen en een vision-encoder. De hybride indeling wisselt groepen van drie Gated DeltaNet-lagen en één gated-attention-laag af en gebruikt dichte feedforwardnetwerken. Multi-token prediction is opgenomen in de training. De sparse mixture-of-experts-architectuur die voor andere Qwen3.5-groottes wordt beschreven, mag niet aan dit model worden toegekend; de identiteit met 27 miljard parameters is de eigen checkpointspecificatie.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. Qwen beveelt aan waar mogelijk ten minste 128K context te behouden voor complexe denktaken en staat kleinere instellingen toe wanneer geheugenbeperkingen die vereisen. Dit is configuratieadvies en geen bewijs dat elke interface de volledige context aanbiedt. Brontekst, visuele tokens, geschiedenis, redeneren en het antwoord delen de sequentieruimte.
Tekstuele en visuele voorbereiding
Bewaar voor een technisch document paragraafidentificaties en vraag om een eisentabel of uitleg die door die paragrafen wordt ondersteund. Behoud voor een schema labels en lever definities aan die niet in de afbeelding zichtbaar zijn. Lever voor een codetaak de relevante functie, het waargenomen gedrag en vereiste resultaat aan. Een bruikbaar antwoord moet het gebruikte bewijs benoemen, aannames afzonderlijk weergeven en het eindproduct in een controleerbare vorm retourneren.
Benoem voor een videovraag de relevante gebeurtenis of volgorde en behoud timing en framevolgorde. Het voorbeeld van de maker gebruikt twee frames per seconde in de ondersteunde workflow. De richtlijnen voor lange video bevelen een groter processorbudget aan, dat overeenkomt met ongeveer 224K videotokens, voor analyse op uurschaal met hogere bemonsteringsfrequentie. Die instellingen vereisen configuratie en leggen geen universele garantie voor duur of exacte gebeurtenistijdstempels vast.
Denken en directe antwoorden
Denken is standaard ingeschakeld en gaat aan het eindantwoord vooraf. enable_thinking kan dit uitschakelen voor een direct antwoord. Qwen3.5 ondersteunt officieel niet de oudere softschakelaars /think en /nothink. De maker beveelt aan alleen eindantwoordtekst te bewaren in historische assistentberichten, zonder denkinhoud. Dit zijn de afspraken van Qwen3.5 en ze moeten gescheiden blijven van gedrag voor historisch redeneerbehoud dat voor latere releases is gedocumenteerd.
Kies een eindvorm voordat u de taak verstuurt: een korte conclusie met ondersteunende waarden, een tabel met geëxtraheerde velden of een toegelichte codepatch. Een direct antwoord blijft een gegenereerd antwoord dat beoordeeld moet worden; een lang denktranscript is geen onafhankelijk bewijs dat de conclusie correct is.
Agentgebruik
De maker ondersteunt tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, plus Qwen Code voor code-agentworkflows. Geef de toepassingstools een duidelijke rol en retourneer hun werkelijke waarnemingen naar het model. Het model kan op basis van die feedback plannen en herzien, terwijl de toepassing de handelingen uitvoert. Toolondersteuning bewijst op zichzelf geen ingebouwde toegang tot internet, bestanden of een code-uitvoeringsomgeving via elke interface.
Ultralange tekst
De uitbreiding gebruikt YaRN met de eigen positieconfiguratie van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor 524,288 tokens. Statische schaling kan de kwaliteit bij kortere tekst verlagen, dus de maker beveelt die aan wanneer de grotere context werkelijk nodig is. Houd lang materiaal geordend en reserveer ruimte voor het vereiste antwoord, in plaats van het grootste contextgetal als onbeperkte documentherinnering te interpreteren.
Generatierichtlijnen en 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 gebruikt de afzonderlijke Best Practices-preset van 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 generatiebudgetten zijn 32,768 tokens voor de meeste taken en 81,920 voor uitzonderlijk complexe wiskunde of programmeren. Het zijn geen onafhankelijke harde uitvoergrenzen. Geef het antwoordschema of scheidingsteken expliciet aan en controleer code, berekeningen, citaten en visuele details aan de hand van de bron. Het nuttige resultaat is een concreet tekstueel eindproduct met behoud van de exacte dichte 27B-identiteit, invoer en antwoordmodus.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-27b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00052 / 1K tokens Uitvoer · Uitvoertokens $0.00412 / 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 $0.00052 / 1K tokens Uitvoer · Uitvoertokens $0.00412 / 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/qwen3.5-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.5-27b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.5-27bQwen3.5-27B is Qwens dichte visuele taalmodel met 27 miljard parameters voor tekst, afbeeldingen en video, met tekstuele uitvoer. Het ondersteunt redeneren, programmeren, werk met toolondersteuning en meertalige taken, 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 in de dichte 27B-editie
Qwen3.5-27B is een nagetraind dicht visueel taalmodel. Tekst, afbeeldingen en video kunnen aan één taak deelnemen, terwijl het resultaat tekst is: een uitleg, codevoorstel, geëxtraheerde informatie of een ander gevraagd eindproduct. De vroege fusie van tekstuele en visuele training in de familie ontwikkelt redeneer-, programmeer-, agent- en visuele mogelijkheden, met reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten.
Die taaldekking helpt meertalige taken vorm te geven, maar garandeert geen gelijke betrouwbaarheid voor elk dialect of elke specialistische woordenschat. Geef de doeltaal, doelgroep en termen die ongewijzigd moeten blijven aan. Label voor een documentvergelijking tussen talen elke bron en vraag om een resultaat dat is ingedeeld naar de te vergelijken feiten of vragen.
Modeloverzicht
De exacte 27B-editie is dicht, met 64 taalmodellagen en een vision-encoder. De hybride indeling wisselt groepen van drie Gated DeltaNet-lagen en één gated-attention-laag af en gebruikt dichte feedforwardnetwerken. Multi-token prediction is opgenomen in de training. De sparse mixture-of-experts-architectuur die voor andere Qwen3.5-groottes wordt beschreven, mag niet aan dit model worden toegekend; de identiteit met 27 miljard parameters is de eigen checkpointspecificatie.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. Qwen beveelt aan waar mogelijk ten minste 128K context te behouden voor complexe denktaken en staat kleinere instellingen toe wanneer geheugenbeperkingen die vereisen. Dit is configuratieadvies en geen bewijs dat elke interface de volledige context aanbiedt. Brontekst, visuele tokens, geschiedenis, redeneren en het antwoord delen de sequentieruimte.
Tekstuele en visuele voorbereiding
Bewaar voor een technisch document paragraafidentificaties en vraag om een eisentabel of uitleg die door die paragrafen wordt ondersteund. Behoud voor een schema labels en lever definities aan die niet in de afbeelding zichtbaar zijn. Lever voor een codetaak de relevante functie, het waargenomen gedrag en vereiste resultaat aan. Een bruikbaar antwoord moet het gebruikte bewijs benoemen, aannames afzonderlijk weergeven en het eindproduct in een controleerbare vorm retourneren.
Benoem voor een videovraag de relevante gebeurtenis of volgorde en behoud timing en framevolgorde. Het voorbeeld van de maker gebruikt twee frames per seconde in de ondersteunde workflow. De richtlijnen voor lange video bevelen een groter processorbudget aan, dat overeenkomt met ongeveer 224K videotokens, voor analyse op uurschaal met hogere bemonsteringsfrequentie. Die instellingen vereisen configuratie en leggen geen universele garantie voor duur of exacte gebeurtenistijdstempels vast.
Denken en directe antwoorden
Denken is standaard ingeschakeld en gaat aan het eindantwoord vooraf. enable_thinking kan dit uitschakelen voor een direct antwoord. Qwen3.5 ondersteunt officieel niet de oudere softschakelaars /think en /nothink. De maker beveelt aan alleen eindantwoordtekst te bewaren in historische assistentberichten, zonder denkinhoud. Dit zijn de afspraken van Qwen3.5 en ze moeten gescheiden blijven van gedrag voor historisch redeneerbehoud dat voor latere releases is gedocumenteerd.
Kies een eindvorm voordat u de taak verstuurt: een korte conclusie met ondersteunende waarden, een tabel met geëxtraheerde velden of een toegelichte codepatch. Een direct antwoord blijft een gegenereerd antwoord dat beoordeeld moet worden; een lang denktranscript is geen onafhankelijk bewijs dat de conclusie correct is.
Agentgebruik
De maker ondersteunt tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, plus Qwen Code voor code-agentworkflows. Geef de toepassingstools een duidelijke rol en retourneer hun werkelijke waarnemingen naar het model. Het model kan op basis van die feedback plannen en herzien, terwijl de toepassing de handelingen uitvoert. Toolondersteuning bewijst op zichzelf geen ingebouwde toegang tot internet, bestanden of een code-uitvoeringsomgeving via elke interface.
Ultralange tekst
De uitbreiding gebruikt YaRN met de eigen positieconfiguratie van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor 524,288 tokens. Statische schaling kan de kwaliteit bij kortere tekst verlagen, dus de maker beveelt die aan wanneer de grotere context werkelijk nodig is. Houd lang materiaal geordend en reserveer ruimte voor het vereiste antwoord, in plaats van het grootste contextgetal als onbeperkte documentherinnering te interpreteren.
Generatierichtlijnen en 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 gebruikt de afzonderlijke Best Practices-preset van 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 generatiebudgetten zijn 32,768 tokens voor de meeste taken en 81,920 voor uitzonderlijk complexe wiskunde of programmeren. Het zijn geen onafhankelijke harde uitvoergrenzen. Geef het antwoordschema of scheidingsteken expliciet aan en controleer code, berekeningen, citaten en visuele details aan de hand van de bron. Het nuttige resultaat is een concreet tekstueel eindproduct met behoud van de exacte dichte 27B-identiteit, invoer en antwoordmodus.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-27b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00052 / 1K tokens Uitvoer · Uitvoertokens $0.00412 / 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 $0.00052 / 1K tokens Uitvoer · Uitvoertokens $0.00412 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.5-27b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.