Belangrijkste kenmerken van Qwen3.5 in de dichte 9B-editie
Qwen3.5-9B is het nagetrainde dichte visuele taalcheckpoint met 9 miljard parameters. Het accepteert tekst, afbeeldingen en video en retourneert tekst. De familie verenigt redeneren, programmeren, agents en visueel begrip via vroege fusie van tekstuele en visuele training, reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten. Die taaldekking is een mogelijkheid van de familie, geen garantie op gelijke betrouwbaarheid voor elke taal of elk onderwerp.
Geef voor meertalig documentwerk de doeltaal aan, behoud technische termen en vraag het resultaat de gebruikte bronvelden of passages te benoemen. Lever voor een visuele vraag een leesbare afbeelding en een precieze taak aan. Geef voor een klein programmeerverzoek de invoer, het gewenste gedrag en relevante code. Het model genereert geen afbeeldingen of video's wanneer het visueel materiaal analyseert.
Modeloverzicht
Dit exacte 9B-model is dicht, met 32 taalmodellagen en een vision-encoder. De hybride indeling herhaalt drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken. Multi-token prediction is opgenomen in de training. De familie bevat ook sparse expertmodellen, maar hun beschrijvingen van totale tegenover geactiveerde parameters mogen niet op deze dichte editie worden toegepast.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. De configuratie en numerieke omvang van het model moeten gescheiden blijven van het Base-checkpoint, andere Qwen3.5-groottes en gekwantiseerde builds. Een kleiner parameteraantal identificeert de editie; het legt op zichzelf geen universele responstijd of kwaliteitsrangschikking vast. Voor complexe denktaken beveelt Qwen aan waar mogelijk een geconfigureerde context van ten minste 128K tokens te behouden.
Invoer en antwoordmodi
De maker toont vragen met alleen tekst, afbeeldingen en video. Geef een documentvraag met de relevante pagina en verwachte velden, of een videovraag met de gebeurtenis en het tijdsbereik die van belang zijn. Behoud labels, eenheden en framevolgorde. Vraag om een resultaat dat met de bron kan worden vergeleken, zoals een tabel met geëxtraheerde waarden of een uitleg die het zichtbare bewijs citeert.
Denken is standaard ingeschakeld. enable_thinking kan redeneren uitschakelen voor een direct antwoord, terwijl de oudere soft-promptschakelaars /think en /nothink officieel niet worden ondersteund. Gebruik de sjabloon van de maker en houd het redeneerproces gescheiden van de eindtekst wanneer de interface beide levert. De aanbeveling voor Qwen3.5-geschiedenis is om eindantwoorden zonder hun denkinhoud te bewaren; nieuwer gedrag voor historisch behoud mag niet in deze release worden overgenomen.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan, met geconfigureerde of via MCP gekoppelde tools, en Qwen Code voor code-agentwerk. Geef de toegestane tools en het waarneembare resultaat aan. Een gekoppelde tool kan een berekening, bronretrieval of echte uitvoeringsfeedback leveren; het model kan die informatie vervolgens in het antwoord gebruiken. De tools en externe handelingen behoren tot de toepassing, dus de modelnaam alleen bewijst geen toegang of uitvoering.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN met de eigen positie-instellingen van dit checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; voor 524,288 tokens stelt de maker een factor twee voor. Statische schaling kan de prestaties bij kortere tekst beïnvloeden, dus die moet volgen uit de werkelijke behoefte aan langere context. Invoer, visuele representatie, geschiedenis, redeneren en einduitvoer delen het sequentiebudget. Orden lang materiaal op document- of code-identificatie en laat ruimte voor het gevraagde eindproduct.
Generatieaanbevelingen
De Best Practices van de modelkaart onderscheiden meerdere presets. Algemeen denken gebruikt 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 redeneertaken met directe antwoorden bevelen de Best Practices in plaats daarvan temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0 aan. Dit zijn taakspecifieke procedures, geen waarden om willekeurig te mengen. Hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
Qwen beveelt een generatiecapaciteit van 32,768 tokens aan voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskundige of programmeervragen. Dit zijn aanbevelingen en geen onafhankelijke harde uitvoergrenzen. Specificeer het antwoordformaat, zoals een afgebakend wiskundig resultaat of een antwoordveld, en verifieer de conclusie aan de hand van de bron.
Videodetail en inhoudelijke beperkingen
Het videovoorbeeld van de maker gebruikt standaard twee frames per seconde in de ondersteunde workflow. De richtlijnen voor materiaal op uurschaal breiden het videoprocessorbudget uit tot ongeveer 224K videotokens voor bemonstering met hogere frequentie. Dit zijn configuratieafhankelijke voorbeelden, geen universele garantie voor duur of gebeurtenistiming. Houd kleine tekst en belangrijke scèneovergangen leesbaar en controleer geëxtraheerde tekst, berekeningen en gegenereerde code voordat u het resultaat gebruikt. De praktische waarde van de 9B-editie is het gedocumenteerde gecombineerde tekstuele en visuele takengebied en de instelbare antwoordmodus, met behoud van de exacte dichte identiteit.
", "aboutText": "Belangrijkste kenmerken van Qwen3.5 in de dichte 9B-editie\n\nQwen3.5-9B is het nagetrainde dichte visuele taalcheckpoint met 9 miljard parameters. Het accepteert tekst, afbeeldingen en video en retourneert tekst. De familie verenigt redeneren, programmeren, agents en visueel begrip via vroege fusie van tekstuele en visuele training, reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten. Die taaldekking is een mogelijkheid van de familie, geen garantie op gelijke betrouwbaarheid voor elke taal of elk onderwerp.\n\nGeef voor meertalig documentwerk de doeltaal aan, behoud technische termen en vraag het resultaat de gebruikte bronvelden of passages te benoemen. Lever voor een visuele vraag een leesbare afbeelding en een precieze taak aan. Geef voor een klein programmeerverzoek de invoer, het gewenste gedrag en relevante code. Het model genereert geen afbeeldingen of video's wanneer het visueel materiaal analyseert.\n\nModeloverzicht\n\nDit exacte 9B-model is dicht, met 32 taalmodellagen en een vision-encoder. De hybride indeling herhaalt drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken. Multi-token prediction is opgenomen in de training. De familie bevat ook sparse expertmodellen, maar hun beschrijvingen van totale tegenover geactiveerde parameters mogen niet op deze dichte editie worden toegepast.\n\nDe native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. De configuratie en numerieke omvang van het model moeten gescheiden blijven van het Base-checkpoint, andere Qwen3.5-groottes en gekwantiseerde builds. Een kleiner parameteraantal identificeert de editie; het legt op zichzelf geen universele responstijd of kwaliteitsrangschikking vast. Voor complexe denktaken beveelt Qwen aan waar mogelijk een geconfigureerde context van ten minste 128K tokens te behouden.\n\nInvoer en antwoordmodi\n\nDe maker toont vragen met alleen tekst, afbeeldingen en video. Geef een documentvraag met de relevante pagina en verwachte velden, of een videovraag met de gebeurtenis en het tijdsbereik die van belang zijn. Behoud labels, eenheden en framevolgorde. Vraag om een resultaat dat met de bron kan worden vergeleken, zoals een tabel met geëxtraheerde waarden of een uitleg die het zichtbare bewijs citeert.\n\nDenken is standaard ingeschakeld. enable_thinking kan redeneren uitschakelen voor een direct antwoord, terwijl de oudere soft-promptschakelaars /think en /nothink officieel niet worden ondersteund. Gebruik de sjabloon van de maker en houd het redeneerproces gescheiden van de eindtekst wanneer de interface beide levert. De aanbeveling voor Qwen3.5-geschiedenis is om eindantwoorden zonder hun denkinhoud te bewaren; nieuwer gedrag voor historisch behoud mag niet in deze release worden overgenomen.\n\nAgentgebruik\n\nQwen documenteert tool calling en beveelt Qwen-Agent aan, met geconfigureerde of via MCP gekoppelde tools, en Qwen Code voor code-agentwerk. Geef de toegestane tools en het waarneembare resultaat aan. Een gekoppelde tool kan een berekening, bronretrieval of echte uitvoeringsfeedback leveren; het model kan die informatie vervolgens in het antwoord gebruiken. De tools en externe handelingen behoren tot de toepassing, dus de modelnaam alleen bewijst geen toegang of uitvoering.\n\nUltralange tekst\n\nDe gedocumenteerde uitbreiding gebruikt YaRN met de eigen positie-instellingen van dit checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; voor 524,288 tokens stelt de maker een factor twee voor. Statische schaling kan de prestaties bij kortere tekst beïnvloeden, dus die moet volgen uit de werkelijke behoefte aan langere context. Invoer, visuele representatie, geschiedenis, redeneren en einduitvoer delen het sequentiebudget. Orden lang materiaal op document- of code-identificatie en laat ruimte voor het gevraagde eindproduct.\n\nGeneratieaanbevelingen\n\nDe Best Practices van de modelkaart onderscheiden meerdere presets. Algemeen denken gebruikt 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 redeneertaken met directe antwoorden bevelen de Best Practices in plaats daarvan temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0 aan. Dit zijn taakspecifieke procedures, geen waarden om willekeurig te mengen. Hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.\n\nQwen beveelt een generatiecapaciteit van 32,768 tokens aan voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskundige of programmeervragen. Dit zijn aanbevelingen en geen onafhankelijke harde uitvoergrenzen. Specificeer het antwoordformaat, zoals een afgebakend wiskundig resultaat of een antwoordveld, en verifieer de conclusie aan de hand van de bron.\n\nVideodetail en inhoudelijke beperkingen\n\nHet videovoorbeeld van de maker gebruikt standaard twee frames per seconde in de ondersteunde workflow. De richtlijnen voor materiaal op uurschaal breiden het videoprocessorbudget uit tot ongeveer 224K videotokens voor bemonstering met hogere frequentie. Dit zijn configuratieafhankelijke voorbeelden, geen universele garantie voor duur of gebeurtenistiming. Houd kleine tekst en belangrijke scèneovergangen leesbaar en controleer geëxtraheerde tekst, berekeningen en gegenereerde code voordat u het resultaat gebruikt. De praktische waarde van de 9B-editie is het gedocumenteerde gecombineerde tekstuele en visuele takengebied en de instelbare antwoordmodus, met behoud van de exacte dichte identiteit.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B is Qwens dichte visuele taalmodel met 9 miljard parameters voor tekst, afbeeldingen en video, met tekst als uitvoer. Het combineert redeneren, programmeren, tool calling en meertalig werk, met instelbaar denken en een native context van 262,144 tokens die via configuratie kan worden uitgebreid.
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 9B-editie
Qwen3.5-9B is het nagetrainde dichte visuele taalcheckpoint met 9 miljard parameters. Het accepteert tekst, afbeeldingen en video en retourneert tekst. De familie verenigt redeneren, programmeren, agents en visueel begrip via vroege fusie van tekstuele en visuele training, reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten. Die taaldekking is een mogelijkheid van de familie, geen garantie op gelijke betrouwbaarheid voor elke taal of elk onderwerp.
Geef voor meertalig documentwerk de doeltaal aan, behoud technische termen en vraag het resultaat de gebruikte bronvelden of passages te benoemen. Lever voor een visuele vraag een leesbare afbeelding en een precieze taak aan. Geef voor een klein programmeerverzoek de invoer, het gewenste gedrag en relevante code. Het model genereert geen afbeeldingen of video's wanneer het visueel materiaal analyseert.
Modeloverzicht
Dit exacte 9B-model is dicht, met 32 taalmodellagen en een vision-encoder. De hybride indeling herhaalt drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken. Multi-token prediction is opgenomen in de training. De familie bevat ook sparse expertmodellen, maar hun beschrijvingen van totale tegenover geactiveerde parameters mogen niet op deze dichte editie worden toegepast.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. De configuratie en numerieke omvang van het model moeten gescheiden blijven van het Base-checkpoint, andere Qwen3.5-groottes en gekwantiseerde builds. Een kleiner parameteraantal identificeert de editie; het legt op zichzelf geen universele responstijd of kwaliteitsrangschikking vast. Voor complexe denktaken beveelt Qwen aan waar mogelijk een geconfigureerde context van ten minste 128K tokens te behouden.
Invoer en antwoordmodi
De maker toont vragen met alleen tekst, afbeeldingen en video. Geef een documentvraag met de relevante pagina en verwachte velden, of een videovraag met de gebeurtenis en het tijdsbereik die van belang zijn. Behoud labels, eenheden en framevolgorde. Vraag om een resultaat dat met de bron kan worden vergeleken, zoals een tabel met geëxtraheerde waarden of een uitleg die het zichtbare bewijs citeert.
Denken is standaard ingeschakeld. enable_thinking kan redeneren uitschakelen voor een direct antwoord, terwijl de oudere soft-promptschakelaars /think en /nothink officieel niet worden ondersteund. Gebruik de sjabloon van de maker en houd het redeneerproces gescheiden van de eindtekst wanneer de interface beide levert. De aanbeveling voor Qwen3.5-geschiedenis is om eindantwoorden zonder hun denkinhoud te bewaren; nieuwer gedrag voor historisch behoud mag niet in deze release worden overgenomen.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan, met geconfigureerde of via MCP gekoppelde tools, en Qwen Code voor code-agentwerk. Geef de toegestane tools en het waarneembare resultaat aan. Een gekoppelde tool kan een berekening, bronretrieval of echte uitvoeringsfeedback leveren; het model kan die informatie vervolgens in het antwoord gebruiken. De tools en externe handelingen behoren tot de toepassing, dus de modelnaam alleen bewijst geen toegang of uitvoering.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN met de eigen positie-instellingen van dit checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; voor 524,288 tokens stelt de maker een factor twee voor. Statische schaling kan de prestaties bij kortere tekst beïnvloeden, dus die moet volgen uit de werkelijke behoefte aan langere context. Invoer, visuele representatie, geschiedenis, redeneren en einduitvoer delen het sequentiebudget. Orden lang materiaal op document- of code-identificatie en laat ruimte voor het gevraagde eindproduct.
Generatieaanbevelingen
De Best Practices van de modelkaart onderscheiden meerdere presets. Algemeen denken gebruikt 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 redeneertaken met directe antwoorden bevelen de Best Practices in plaats daarvan temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0 aan. Dit zijn taakspecifieke procedures, geen waarden om willekeurig te mengen. Hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
Qwen beveelt een generatiecapaciteit van 32,768 tokens aan voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskundige of programmeervragen. Dit zijn aanbevelingen en geen onafhankelijke harde uitvoergrenzen. Specificeer het antwoordformaat, zoals een afgebakend wiskundig resultaat of een antwoordveld, en verifieer de conclusie aan de hand van de bron.
Videodetail en inhoudelijke beperkingen
Het videovoorbeeld van de maker gebruikt standaard twee frames per seconde in de ondersteunde workflow. De richtlijnen voor materiaal op uurschaal breiden het videoprocessorbudget uit tot ongeveer 224K videotokens voor bemonstering met hogere frequentie. Dit zijn configuratieafhankelijke voorbeelden, geen universele garantie voor duur of gebeurtenistiming. Houd kleine tekst en belangrijke scèneovergangen leesbaar en controleer geëxtraheerde tekst, berekeningen en gegenereerde code voordat u het resultaat gebruikt. De praktische waarde van de 9B-editie is het gedocumenteerde gecombineerde tekstuele en visuele takengebied en de instelbare antwoordmodus, met behoud van de exacte dichte identiteit.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-9b | 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 $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0003 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 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 $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0003 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.5-9bQwen3.5-9B is Qwens dichte visuele taalmodel met 9 miljard parameters voor tekst, afbeeldingen en video, met tekst als uitvoer. Het combineert redeneren, programmeren, tool calling en meertalig werk, met instelbaar denken en een native context van 262,144 tokens die via configuratie kan worden uitgebreid.
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 9B-editie
Qwen3.5-9B is het nagetrainde dichte visuele taalcheckpoint met 9 miljard parameters. Het accepteert tekst, afbeeldingen en video en retourneert tekst. De familie verenigt redeneren, programmeren, agents en visueel begrip via vroege fusie van tekstuele en visuele training, reinforcement learning op steeds complexere taken en ondersteuning voor 201 talen en dialecten. Die taaldekking is een mogelijkheid van de familie, geen garantie op gelijke betrouwbaarheid voor elke taal of elk onderwerp.
Geef voor meertalig documentwerk de doeltaal aan, behoud technische termen en vraag het resultaat de gebruikte bronvelden of passages te benoemen. Lever voor een visuele vraag een leesbare afbeelding en een precieze taak aan. Geef voor een klein programmeerverzoek de invoer, het gewenste gedrag en relevante code. Het model genereert geen afbeeldingen of video's wanneer het visueel materiaal analyseert.
Modeloverzicht
Dit exacte 9B-model is dicht, met 32 taalmodellagen en een vision-encoder. De hybride indeling herhaalt drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken. Multi-token prediction is opgenomen in de training. De familie bevat ook sparse expertmodellen, maar hun beschrijvingen van totale tegenover geactiveerde parameters mogen niet op deze dichte editie worden toegepast.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. De configuratie en numerieke omvang van het model moeten gescheiden blijven van het Base-checkpoint, andere Qwen3.5-groottes en gekwantiseerde builds. Een kleiner parameteraantal identificeert de editie; het legt op zichzelf geen universele responstijd of kwaliteitsrangschikking vast. Voor complexe denktaken beveelt Qwen aan waar mogelijk een geconfigureerde context van ten minste 128K tokens te behouden.
Invoer en antwoordmodi
De maker toont vragen met alleen tekst, afbeeldingen en video. Geef een documentvraag met de relevante pagina en verwachte velden, of een videovraag met de gebeurtenis en het tijdsbereik die van belang zijn. Behoud labels, eenheden en framevolgorde. Vraag om een resultaat dat met de bron kan worden vergeleken, zoals een tabel met geëxtraheerde waarden of een uitleg die het zichtbare bewijs citeert.
Denken is standaard ingeschakeld. enable_thinking kan redeneren uitschakelen voor een direct antwoord, terwijl de oudere soft-promptschakelaars /think en /nothink officieel niet worden ondersteund. Gebruik de sjabloon van de maker en houd het redeneerproces gescheiden van de eindtekst wanneer de interface beide levert. De aanbeveling voor Qwen3.5-geschiedenis is om eindantwoorden zonder hun denkinhoud te bewaren; nieuwer gedrag voor historisch behoud mag niet in deze release worden overgenomen.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan, met geconfigureerde of via MCP gekoppelde tools, en Qwen Code voor code-agentwerk. Geef de toegestane tools en het waarneembare resultaat aan. Een gekoppelde tool kan een berekening, bronretrieval of echte uitvoeringsfeedback leveren; het model kan die informatie vervolgens in het antwoord gebruiken. De tools en externe handelingen behoren tot de toepassing, dus de modelnaam alleen bewijst geen toegang of uitvoering.
Ultralange tekst
De gedocumenteerde uitbreiding gebruikt YaRN met de eigen positie-instellingen van dit checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; voor 524,288 tokens stelt de maker een factor twee voor. Statische schaling kan de prestaties bij kortere tekst beïnvloeden, dus die moet volgen uit de werkelijke behoefte aan langere context. Invoer, visuele representatie, geschiedenis, redeneren en einduitvoer delen het sequentiebudget. Orden lang materiaal op document- of code-identificatie en laat ruimte voor het gevraagde eindproduct.
Generatieaanbevelingen
De Best Practices van de modelkaart onderscheiden meerdere presets. Algemeen denken gebruikt 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 redeneertaken met directe antwoorden bevelen de Best Practices in plaats daarvan temperature 1.0, top_p 1.0, top_k 40 en presence penalty 2.0 aan. Dit zijn taakspecifieke procedures, geen waarden om willekeurig te mengen. Hogere presence penalties kunnen taalmenging of een lichte kwaliteitsdaling veroorzaken.
Qwen beveelt een generatiecapaciteit van 32,768 tokens aan voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskundige of programmeervragen. Dit zijn aanbevelingen en geen onafhankelijke harde uitvoergrenzen. Specificeer het antwoordformaat, zoals een afgebakend wiskundig resultaat of een antwoordveld, en verifieer de conclusie aan de hand van de bron.
Videodetail en inhoudelijke beperkingen
Het videovoorbeeld van de maker gebruikt standaard twee frames per seconde in de ondersteunde workflow. De richtlijnen voor materiaal op uurschaal breiden het videoprocessorbudget uit tot ongeveer 224K videotokens voor bemonstering met hogere frequentie. Dit zijn configuratieafhankelijke voorbeelden, geen universele garantie voor duur of gebeurtenistiming. Houd kleine tekst en belangrijke scèneovergangen leesbaar en controleer geëxtraheerde tekst, berekeningen en gegenereerde code voordat u het resultaat gebruikt. De praktische waarde van de 9B-editie is het gedocumenteerde gecombineerde tekstuele en visuele takengebied en de instelbare antwoordmodus, met behoud van de exacte dichte identiteit.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.5-9b | 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 $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0003 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 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 $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0003 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.