Belangrijkste kenmerken van Qwen3.5: een sparse visueel taalcheckpoint
Qwen3.5-35B-A3B is een nagetraind visueel taalmodel dat tekst-, afbeeldings- en videobegrip combineert met tekstuele antwoorden. De familie wordt getraind met vroege fusie van tekst en beeld en reinforcement learning op steeds complexere taken en ondersteunt redeneren, programmeren, agents en visuele analyse. Ze beschrijft ook een dekking van 201 talen en dialecten. Die dekking is een mogelijkheid van de familie en geen belofte van gelijke kwaliteit voor elke taal of taak.
Het exacte open checkpoint is gescheiden van Qwen3.5-35B-A3B-Base en de latere Qwen3.6-release. De maker beschrijft ook een beheerde Flash-dienst met aanvullende functies; die interfacefuncties mogen niet automatisch aan dit open checkpoint worden toegekend. Behoud de gevraagde 35B-A3B-identiteit wanneer u resultaten vergelijkt of een reproduceerbare modelkeuze bewaart.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert drie miljard. De hybride indeling met 40 lagen herhaalt drie Gated DeltaNet-expertlagen, gevolgd door één gated-attention-expertlaag. Het heeft 256 gerouteerde experts, met acht gerouteerde experts en één gedeelde expert actief in de gedocumenteerde indeling. Een vision-encoder en multi-token prediction maken deel uit van het model. Het geactiveerde aantal beschrijft niet de volledige checkpointgrootte en de architectuur alleen garandeert geen latentie in een bepaalde toepassing.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complexe denktaken, ook als een kleiner venster de geheugendruk zou verminderen. Tekst, gerepresenteerd visueel materiaal, geschiedenis, redeneren en het eindantwoord hebben allemaal ruimte nodig in de geconfigureerde sequentie.
Invoer en antwoordmodi gebruiken
Lever voor een programmeerverzoek op basis van een schermafbeelding de visuele referentie, bestaande broncontext, interactie-eisen en het verwachte bewerkbare eindproduct aan. Behoud voor een grafiek of document labels en eenheden en vraag om een waardentabel met ondersteunend bewijs. Geef voor een meertalige uitleg de doeltaal en te behouden termen aan.
Denken is standaard ingeschakeld en produceert een redeneerblok vóór het eindantwoord. De instelling enable_thinking van de maker kan dit uitschakelen voor een direct antwoord. Qwen3.5 ondersteunt officieel niet de oude soft-promptschakelaars /think en /nothink. De geschiedenisrichtlijnen bewaren eindantwoorden zonder denkinhoud. Dit moet gescheiden blijven van latere Qwen3.6-opties voor behoud of het standaard bewaren van historische redeneercontext in Qwen3.8.
Agentgebruik
De maker documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, naast Qwen Code voor repositorygericht werk. Definieer de toegestane bewerkingen, het relevante bewijs en het eindproduct. De toepassing voert tools uit en levert hun waarnemingen; het model kan die feedback gebruiken om de analyse te herzien. Een gepland commando of gegenereerde patch is geen uitgevoerde handeling en de modelnaam alleen bewijst geen toegang tot actuele informatie of bestanden.
Ultralange context
De uitbreidingsprocedure 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; een factor twee wordt voorgesteld voor taken van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst verlagen, dus die moet worden geconfigureerd wanneer de grotere context nodig is. Orden lang materiaal met documentgrenzen, code-identificaties en een duidelijke vraag, in plaats van het venster met ongerelateerd bewijs te vullen.
Generatieaanbevelingen
In Best Practices gebruikt algemeen denken temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0. 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. Voor redeneren in directe modus geven de Best Practices temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0 op. Houd deze taakspecifieke presets gescheiden; hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskunde of programmeren. Dit zijn geen afzonderlijk vastgestelde harde uitvoergrenzen. Definieer de eindantwoordvorm expliciet en controleer berekeningen of gegenereerde code aan de hand van de aangeleverde voorwaarden.
Video en inhoudelijke beperkingen
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. De richtlijnen van de maker voor video op uurschaal breiden het processorbudget uit tot ongeveer 224K videotokens voor bemonstering met hogere frequentie. Dat vereist configuratie en verbruikt context naast de taak en het antwoord; het is geen onvoorwaardelijke garantie voor duur of perfecte herinnering van gebeurtenissen. Behoud relevante scèneovergangen en kleine tekst en vraag om een resultaat dat aan het zichtbare bewijs is gekoppeld. De praktische waarde is het gecombineerde tekstuele en visuele bereik van het checkpoint en de instelbare antwoordmodus, met een concreet controleerbaar eindproduct.
", "aboutText": "Belangrijkste kenmerken van Qwen3.5: een sparse visueel taalcheckpoint\n\nQwen3.5-35B-A3B is een nagetraind visueel taalmodel dat tekst-, afbeeldings- en videobegrip combineert met tekstuele antwoorden. De familie wordt getraind met vroege fusie van tekst en beeld en reinforcement learning op steeds complexere taken en ondersteunt redeneren, programmeren, agents en visuele analyse. Ze beschrijft ook een dekking van 201 talen en dialecten. Die dekking is een mogelijkheid van de familie en geen belofte van gelijke kwaliteit voor elke taal of taak.\n\nHet exacte open checkpoint is gescheiden van Qwen3.5-35B-A3B-Base en de latere Qwen3.6-release. De maker beschrijft ook een beheerde Flash-dienst met aanvullende functies; die interfacefuncties mogen niet automatisch aan dit open checkpoint worden toegekend. Behoud de gevraagde 35B-A3B-identiteit wanneer u resultaten vergelijkt of een reproduceerbare modelkeuze bewaart.\n\nModeloverzicht\n\nHet mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert drie miljard. De hybride indeling met 40 lagen herhaalt drie Gated DeltaNet-expertlagen, gevolgd door één gated-attention-expertlaag. Het heeft 256 gerouteerde experts, met acht gerouteerde experts en één gedeelde expert actief in de gedocumenteerde indeling. Een vision-encoder en multi-token prediction maken deel uit van het model. Het geactiveerde aantal beschrijft niet de volledige checkpointgrootte en de architectuur alleen garandeert geen latentie in een bepaalde toepassing.\n\nDe native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complexe denktaken, ook als een kleiner venster de geheugendruk zou verminderen. Tekst, gerepresenteerd visueel materiaal, geschiedenis, redeneren en het eindantwoord hebben allemaal ruimte nodig in de geconfigureerde sequentie.\n\nInvoer en antwoordmodi gebruiken\n\nLever voor een programmeerverzoek op basis van een schermafbeelding de visuele referentie, bestaande broncontext, interactie-eisen en het verwachte bewerkbare eindproduct aan. Behoud voor een grafiek of document labels en eenheden en vraag om een waardentabel met ondersteunend bewijs. Geef voor een meertalige uitleg de doeltaal en te behouden termen aan.\n\nDenken is standaard ingeschakeld en produceert een redeneerblok vóór het eindantwoord. De instelling enable_thinking van de maker kan dit uitschakelen voor een direct antwoord. Qwen3.5 ondersteunt officieel niet de oude soft-promptschakelaars /think en /nothink. De geschiedenisrichtlijnen bewaren eindantwoorden zonder denkinhoud. Dit moet gescheiden blijven van latere Qwen3.6-opties voor behoud of het standaard bewaren van historische redeneercontext in Qwen3.8.\n\nAgentgebruik\n\nDe maker documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, naast Qwen Code voor repositorygericht werk. Definieer de toegestane bewerkingen, het relevante bewijs en het eindproduct. De toepassing voert tools uit en levert hun waarnemingen; het model kan die feedback gebruiken om de analyse te herzien. Een gepland commando of gegenereerde patch is geen uitgevoerde handeling en de modelnaam alleen bewijst geen toegang tot actuele informatie of bestanden.\n\nUltralange context\n\nDe uitbreidingsprocedure 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; een factor twee wordt voorgesteld voor taken van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst verlagen, dus die moet worden geconfigureerd wanneer de grotere context nodig is. Orden lang materiaal met documentgrenzen, code-identificaties en een duidelijke vraag, in plaats van het venster met ongerelateerd bewijs te vullen.\n\nGeneratieaanbevelingen\n\nIn Best Practices gebruikt algemeen denken temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0. 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. Voor redeneren in directe modus geven de Best Practices temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0 op. Houd deze taakspecifieke presets gescheiden; hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.\n\nDe aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskunde of programmeren. Dit zijn geen afzonderlijk vastgestelde harde uitvoergrenzen. Definieer de eindantwoordvorm expliciet en controleer berekeningen of gegenereerde code aan de hand van de aangeleverde voorwaarden.\n\nVideo en inhoudelijke beperkingen\n\nHet ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. De richtlijnen van de maker voor video op uurschaal breiden het processorbudget uit tot ongeveer 224K videotokens voor bemonstering met hogere frequentie. Dat vereist configuratie en verbruikt context naast de taak en het antwoord; het is geen onvoorwaardelijke garantie voor duur of perfecte herinnering van gebeurtenissen. Behoud relevante scèneovergangen en kleine tekst en vraag om een resultaat dat aan het zichtbare bewijs is gekoppeld. De praktische waarde is het gecombineerde tekstuele en visuele bereik van het checkpoint en de instelbare antwoordmodus, met een concreet controleerbaar eindproduct.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B is Qwens visuele mixture-of-experts-taalmodel met in totaal 35 miljard parameters en 3 miljard geactiveerde parameters. Het accepteert tekst, afbeeldingen en video voor redeneren, programmeren en werk met toolondersteuning, met denk- en directe-antwoordmodi 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: een sparse visueel taalcheckpoint
Qwen3.5-35B-A3B is een nagetraind visueel taalmodel dat tekst-, afbeeldings- en videobegrip combineert met tekstuele antwoorden. De familie wordt getraind met vroege fusie van tekst en beeld en reinforcement learning op steeds complexere taken en ondersteunt redeneren, programmeren, agents en visuele analyse. Ze beschrijft ook een dekking van 201 talen en dialecten. Die dekking is een mogelijkheid van de familie en geen belofte van gelijke kwaliteit voor elke taal of taak.
Het exacte open checkpoint is gescheiden van Qwen3.5-35B-A3B-Base en de latere Qwen3.6-release. De maker beschrijft ook een beheerde Flash-dienst met aanvullende functies; die interfacefuncties mogen niet automatisch aan dit open checkpoint worden toegekend. Behoud de gevraagde 35B-A3B-identiteit wanneer u resultaten vergelijkt of een reproduceerbare modelkeuze bewaart.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert drie miljard. De hybride indeling met 40 lagen herhaalt drie Gated DeltaNet-expertlagen, gevolgd door één gated-attention-expertlaag. Het heeft 256 gerouteerde experts, met acht gerouteerde experts en één gedeelde expert actief in de gedocumenteerde indeling. Een vision-encoder en multi-token prediction maken deel uit van het model. Het geactiveerde aantal beschrijft niet de volledige checkpointgrootte en de architectuur alleen garandeert geen latentie in een bepaalde toepassing.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complexe denktaken, ook als een kleiner venster de geheugendruk zou verminderen. Tekst, gerepresenteerd visueel materiaal, geschiedenis, redeneren en het eindantwoord hebben allemaal ruimte nodig in de geconfigureerde sequentie.
Invoer en antwoordmodi gebruiken
Lever voor een programmeerverzoek op basis van een schermafbeelding de visuele referentie, bestaande broncontext, interactie-eisen en het verwachte bewerkbare eindproduct aan. Behoud voor een grafiek of document labels en eenheden en vraag om een waardentabel met ondersteunend bewijs. Geef voor een meertalige uitleg de doeltaal en te behouden termen aan.
Denken is standaard ingeschakeld en produceert een redeneerblok vóór het eindantwoord. De instelling enable_thinking van de maker kan dit uitschakelen voor een direct antwoord. Qwen3.5 ondersteunt officieel niet de oude soft-promptschakelaars /think en /nothink. De geschiedenisrichtlijnen bewaren eindantwoorden zonder denkinhoud. Dit moet gescheiden blijven van latere Qwen3.6-opties voor behoud of het standaard bewaren van historische redeneercontext in Qwen3.8.
Agentgebruik
De maker documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, naast Qwen Code voor repositorygericht werk. Definieer de toegestane bewerkingen, het relevante bewijs en het eindproduct. De toepassing voert tools uit en levert hun waarnemingen; het model kan die feedback gebruiken om de analyse te herzien. Een gepland commando of gegenereerde patch is geen uitgevoerde handeling en de modelnaam alleen bewijst geen toegang tot actuele informatie of bestanden.
Ultralange context
De uitbreidingsprocedure 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; een factor twee wordt voorgesteld voor taken van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst verlagen, dus die moet worden geconfigureerd wanneer de grotere context nodig is. Orden lang materiaal met documentgrenzen, code-identificaties en een duidelijke vraag, in plaats van het venster met ongerelateerd bewijs te vullen.
Generatieaanbevelingen
In Best Practices gebruikt algemeen denken temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0. 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. Voor redeneren in directe modus geven de Best Practices temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0 op. Houd deze taakspecifieke presets gescheiden; hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskunde of programmeren. Dit zijn geen afzonderlijk vastgestelde harde uitvoergrenzen. Definieer de eindantwoordvorm expliciet en controleer berekeningen of gegenereerde code aan de hand van de aangeleverde voorwaarden.
Video en inhoudelijke beperkingen
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. De richtlijnen van de maker voor video op uurschaal breiden het processorbudget uit tot ongeveer 224K videotokens voor bemonstering met hogere frequentie. Dat vereist configuratie en verbruikt context naast de taak en het antwoord; het is geen onvoorwaardelijke garantie voor duur of perfecte herinnering van gebeurtenissen. Behoud relevante scèneovergangen en kleine tekst en vraag om een resultaat dat aan het zichtbare bewijs is gekoppeld. De praktische waarde is het gecombineerde tekstuele en visuele bereik van het checkpoint en de instelbare antwoordmodus, met een concreet controleerbaar eindproduct.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-35b-a3b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.00366 / 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 $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.00366 / 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/qwen3.5-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.5-35b-a3b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B is Qwens visuele mixture-of-experts-taalmodel met in totaal 35 miljard parameters en 3 miljard geactiveerde parameters. Het accepteert tekst, afbeeldingen en video voor redeneren, programmeren en werk met toolondersteuning, met denk- en directe-antwoordmodi 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: een sparse visueel taalcheckpoint
Qwen3.5-35B-A3B is een nagetraind visueel taalmodel dat tekst-, afbeeldings- en videobegrip combineert met tekstuele antwoorden. De familie wordt getraind met vroege fusie van tekst en beeld en reinforcement learning op steeds complexere taken en ondersteunt redeneren, programmeren, agents en visuele analyse. Ze beschrijft ook een dekking van 201 talen en dialecten. Die dekking is een mogelijkheid van de familie en geen belofte van gelijke kwaliteit voor elke taal of taak.
Het exacte open checkpoint is gescheiden van Qwen3.5-35B-A3B-Base en de latere Qwen3.6-release. De maker beschrijft ook een beheerde Flash-dienst met aanvullende functies; die interfacefuncties mogen niet automatisch aan dit open checkpoint worden toegekend. Behoud de gevraagde 35B-A3B-identiteit wanneer u resultaten vergelijkt of een reproduceerbare modelkeuze bewaart.
Modeloverzicht
Het mixture-of-experts-model heeft in totaal 35 miljard parameters en activeert drie miljard. De hybride indeling met 40 lagen herhaalt drie Gated DeltaNet-expertlagen, gevolgd door één gated-attention-expertlaag. Het heeft 256 gerouteerde experts, met acht gerouteerde experts en één gedeelde expert actief in de gedocumenteerde indeling. Een vision-encoder en multi-token prediction maken deel uit van het model. Het geactiveerde aantal beschrijft niet de volledige checkpointgrootte en de architectuur alleen garandeert geen latentie in een bepaalde toepassing.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complexe denktaken, ook als een kleiner venster de geheugendruk zou verminderen. Tekst, gerepresenteerd visueel materiaal, geschiedenis, redeneren en het eindantwoord hebben allemaal ruimte nodig in de geconfigureerde sequentie.
Invoer en antwoordmodi gebruiken
Lever voor een programmeerverzoek op basis van een schermafbeelding de visuele referentie, bestaande broncontext, interactie-eisen en het verwachte bewerkbare eindproduct aan. Behoud voor een grafiek of document labels en eenheden en vraag om een waardentabel met ondersteunend bewijs. Geef voor een meertalige uitleg de doeltaal en te behouden termen aan.
Denken is standaard ingeschakeld en produceert een redeneerblok vóór het eindantwoord. De instelling enable_thinking van de maker kan dit uitschakelen voor een direct antwoord. Qwen3.5 ondersteunt officieel niet de oude soft-promptschakelaars /think en /nothink. De geschiedenisrichtlijnen bewaren eindantwoorden zonder denkinhoud. Dit moet gescheiden blijven van latere Qwen3.6-opties voor behoud of het standaard bewaren van historische redeneercontext in Qwen3.8.
Agentgebruik
De maker documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, naast Qwen Code voor repositorygericht werk. Definieer de toegestane bewerkingen, het relevante bewijs en het eindproduct. De toepassing voert tools uit en levert hun waarnemingen; het model kan die feedback gebruiken om de analyse te herzien. Een gepland commando of gegenereerde patch is geen uitgevoerde handeling en de modelnaam alleen bewijst geen toegang tot actuele informatie of bestanden.
Ultralange context
De uitbreidingsprocedure 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; een factor twee wordt voorgesteld voor taken van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst verlagen, dus die moet worden geconfigureerd wanneer de grotere context nodig is. Orden lang materiaal met documentgrenzen, code-identificaties en een duidelijke vraag, in plaats van het venster met ongerelateerd bewijs te vullen.
Generatieaanbevelingen
In Best Practices gebruikt algemeen denken temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0. 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. Voor redeneren in directe modus geven de Best Practices temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0 op. Houd deze taakspecifieke presets gescheiden; hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskunde of programmeren. Dit zijn geen afzonderlijk vastgestelde harde uitvoergrenzen. Definieer de eindantwoordvorm expliciet en controleer berekeningen of gegenereerde code aan de hand van de aangeleverde voorwaarden.
Video en inhoudelijke beperkingen
Het ondersteunde videovoorbeeld gebruikt standaard twee frames per seconde. De richtlijnen van de maker voor video op uurschaal breiden het processorbudget uit tot ongeveer 224K videotokens voor bemonstering met hogere frequentie. Dat vereist configuratie en verbruikt context naast de taak en het antwoord; het is geen onvoorwaardelijke garantie voor duur of perfecte herinnering van gebeurtenissen. Behoud relevante scèneovergangen en kleine tekst en vraag om een resultaat dat aan het zichtbare bewijs is gekoppeld. De praktische waarde is het gecombineerde tekstuele en visuele bereik van het checkpoint en de instelbare antwoordmodus, met een concreet controleerbaar eindproduct.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-35b-a3b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.00366 / 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 $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.00366 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3.5-35b-a3b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.