Belangrijkste kenmerken van Qwen3.6 in een dicht 27B-model
Qwen3.6-27B is een dicht visueel taalmodel dat is ontwikkeld vanuit Qwen3.5-27B. De maker benadrukt sterkere code-agents en STEM-redeneren, met verbeteringen in ruimtelijk begrip, objectlokalisatie en -detectie, document-OCR, videobegrip en visuele agents. Het accepteert tekst, afbeeldingen en video en genereert tekst. Deze exacte dichte editie verschilt van het mixture-of-experts-model Qwen3.6-35B-A3B, ook al delen ze een generatie en taakfocus.
Lever voor een STEM-schema de volledige opgave aan en behoud labels en eenheden. Vraag het model rechtstreeks zichtbare feiten van aannames te scheiden en vervolgens een uitleg met een duidelijk eindantwoord te retourneren. Specificeer voor een document de te extraheren velden of beweringen en vraag om ondersteunende paginaverwijzingen. Lever voor een code-agent de relevante modules, het gewenste gedrag en werkelijke feedback uit de gekoppelde workflow aan. Deze voorbeelden passen de gedocumenteerde mogelijkheden toe; het zijn geen claims over exacte extractie of geslaagde uitvoering.
Modeloverzicht
Het model heeft 27 miljard parameters en 64 taalmodellagen. De hybride indeling herhaalt drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken in plaats van sparse experts. Een vision-encoder levert afbeeldings- en videobegrip en multi-token prediction maakt deel uit van de training. Deze architectuurfeiten identificeren het checkpoint zonder de kwaliteit of responstijd van elke toepassing te rangschikken.
De native context is 262,144 tokens en kan via configuratie worden uitgebreid tot 1,010,000. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complex redeneren, met de erkenning dat geheugendruk een kleinere instelling kan vereisen. Gerepresenteerde afbeeldingen en video, tekst, historische berichten, denken en het antwoord verbruiken allemaal ruimte in de geconfigureerde sequentie.
Invoer en modi
De maker toont vragen met tekst, afbeeldingen en video. Denken is standaard ingeschakeld, met een redeneerblok vóór het eindantwoord. enable_thinking kan dat gedrag uitschakelen voor een direct antwoord. Qwen3.6 ondersteunt officieel niet de oudere promptschakelaars /think en /nothink. Maak het vereiste resultaat na de uitleg gemakkelijk herkenbaar, bijvoorbeeld een berekende waarde, een tabel met geëxtraheerde velden of een bewerkbare codepatch.
Het videovoorbeeld gebruikt standaard twee frames per seconde in de ondersteunde workflow. Voor video op uurschaal beveelt de maker aan het processorbudget te verhogen om bemonstering met een hogere frequentie toe te staan, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Meer visueel detail vereist meer context- en verwerkingsbudget. Die instellingen leggen geen onvoorwaardelijke videoduur of exacte nauwkeurigheid van gebeurtenistijdstempels voor elke interface vast.
Historisch denken
De standaardsjabloon bewaart denken dat bij het nieuwste gebruikersbericht hoort. De optie preserve_thinking kan daarnaast redeneercontext uit historische berichten bewaren; het expliciete voorbeeld van de maker schakelt die in met true. Dit kan iteratieve ontwikkeling ondersteunen waarbij eerdere beslissingen relevant blijven na nieuwe toolfeedback. Het verschilt van het gedocumenteerde standaardgedrag voor behoud van Qwen3.8 en van Qwen3.5-richtlijnen die alleen eindantwoorden in de geschiedenis bewaren. Volg de exacte checkpointindeling, in plaats van stilzwijgend de geschiedenisregels van een andere generatie te gebruiken.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, naast Qwen Code voor code-agentwerk. Geef de toegestane handelingen en waarneembare voltooiingscriteria aan. Een tool kan aangeleverd materiaal inspecteren of een echt controleresultaat retourneren, waarna het model de analyse kan herzien. Het model krijgt niet simpelweg door zijn agentspecialisatie toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Ultralange invoer
De uitbreidingsprocedure gebruikt YaRN met de verweven positie-instellingen van dit model. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst verlagen, dus die moet volgen uit de werkelijke behoefte aan lange context. Label pagina's, functies en documentgrenzen en vraag vervolgens om conclusies die het ondersteunende bewijs benoemen.
Generatieaanbevelingen en beperkingen
De Best Practices van de modelkaart bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan voor algemeen denken. Voor nauwkeurig programmeren wordt temperature 0.6. Voor directe antwoorden is temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. De maker waarschuwt dat hogere presence penalties talen kunnen mengen of de kwaliteit enigszins kunnen verlagen.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijk wiskundig of programmeerwerk. Het zijn geen afzonderlijk vastgestelde harde grenzen. Definieer een eindantwoordformaat en controleer geëxtraheerde tekst, ruimtelijke conclusies, berekeningen en voorgestelde code aan de hand van de bron. Een grote context en bewaarde redeneercontext helpen bewijs door de taak heen mee te nemen; het controleerbare eindproduct blijft het nuttige resultaat.
", "aboutText": "Belangrijkste kenmerken van Qwen3.6 in een dicht 27B-model\n\nQwen3.6-27B is een dicht visueel taalmodel dat is ontwikkeld vanuit Qwen3.5-27B. De maker benadrukt sterkere code-agents en STEM-redeneren, met verbeteringen in ruimtelijk begrip, objectlokalisatie en -detectie, document-OCR, videobegrip en visuele agents. Het accepteert tekst, afbeeldingen en video en genereert tekst. Deze exacte dichte editie verschilt van het mixture-of-experts-model Qwen3.6-35B-A3B, ook al delen ze een generatie en taakfocus.\n\nLever voor een STEM-schema de volledige opgave aan en behoud labels en eenheden. Vraag het model rechtstreeks zichtbare feiten van aannames te scheiden en vervolgens een uitleg met een duidelijk eindantwoord te retourneren. Specificeer voor een document de te extraheren velden of beweringen en vraag om ondersteunende paginaverwijzingen. Lever voor een code-agent de relevante modules, het gewenste gedrag en werkelijke feedback uit de gekoppelde workflow aan. Deze voorbeelden passen de gedocumenteerde mogelijkheden toe; het zijn geen claims over exacte extractie of geslaagde uitvoering.\n\nModeloverzicht\n\nHet model heeft 27 miljard parameters en 64 taalmodellagen. De hybride indeling herhaalt drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken in plaats van sparse experts. Een vision-encoder levert afbeeldings- en videobegrip en multi-token prediction maakt deel uit van de training. Deze architectuurfeiten identificeren het checkpoint zonder de kwaliteit of responstijd van elke toepassing te rangschikken.\n\nDe native context is 262,144 tokens en kan via configuratie worden uitgebreid tot 1,010,000. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complex redeneren, met de erkenning dat geheugendruk een kleinere instelling kan vereisen. Gerepresenteerde afbeeldingen en video, tekst, historische berichten, denken en het antwoord verbruiken allemaal ruimte in de geconfigureerde sequentie.\n\nInvoer en modi\n\nDe maker toont vragen met tekst, afbeeldingen en video. Denken is standaard ingeschakeld, met een redeneerblok vóór het eindantwoord. enable_thinking kan dat gedrag uitschakelen voor een direct antwoord. Qwen3.6 ondersteunt officieel niet de oudere promptschakelaars /think en /nothink. Maak het vereiste resultaat na de uitleg gemakkelijk herkenbaar, bijvoorbeeld een berekende waarde, een tabel met geëxtraheerde velden of een bewerkbare codepatch.\n\nHet videovoorbeeld gebruikt standaard twee frames per seconde in de ondersteunde workflow. Voor video op uurschaal beveelt de maker aan het processorbudget te verhogen om bemonstering met een hogere frequentie toe te staan, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Meer visueel detail vereist meer context- en verwerkingsbudget. Die instellingen leggen geen onvoorwaardelijke videoduur of exacte nauwkeurigheid van gebeurtenistijdstempels voor elke interface vast.\n\nHistorisch denken\n\nDe standaardsjabloon bewaart denken dat bij het nieuwste gebruikersbericht hoort. De optie preserve_thinking kan daarnaast redeneercontext uit historische berichten bewaren; het expliciete voorbeeld van de maker schakelt die in met true. Dit kan iteratieve ontwikkeling ondersteunen waarbij eerdere beslissingen relevant blijven na nieuwe toolfeedback. Het verschilt van het gedocumenteerde standaardgedrag voor behoud van Qwen3.8 en van Qwen3.5-richtlijnen die alleen eindantwoorden in de geschiedenis bewaren. Volg de exacte checkpointindeling, in plaats van stilzwijgend de geschiedenisregels van een andere generatie te gebruiken.\n\nAgentgebruik\n\nQwen documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, naast Qwen Code voor code-agentwerk. Geef de toegestane handelingen en waarneembare voltooiingscriteria aan. Een tool kan aangeleverd materiaal inspecteren of een echt controleresultaat retourneren, waarna het model de analyse kan herzien. Het model krijgt niet simpelweg door zijn agentspecialisatie toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.\n\nUltralange invoer\n\nDe uitbreidingsprocedure gebruikt YaRN met de verweven positie-instellingen van dit model. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst verlagen, dus die moet volgen uit de werkelijke behoefte aan lange context. Label pagina's, functies en documentgrenzen en vraag vervolgens om conclusies die het ondersteunende bewijs benoemen.\n\nGeneratieaanbevelingen en beperkingen\n\nDe Best Practices van de modelkaart bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan voor algemeen denken. Voor nauwkeurig programmeren wordt temperature 0.6. Voor directe antwoorden is temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. De maker waarschuwt dat hogere presence penalties talen kunnen mengen of de kwaliteit enigszins kunnen verlagen.\n\nDe aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijk wiskundig of programmeerwerk. Het zijn geen afzonderlijk vastgestelde harde grenzen. Definieer een eindantwoordformaat en controleer geëxtraheerde tekst, ruimtelijke conclusies, berekeningen en voorgestelde code aan de hand van de bron. Een grote context en bewaarde redeneercontext helpen bewijs door de taak heen mee te nemen; het controleerbare eindproduct blijft het nuttige resultaat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B is Qwen’s dichte beeld-taalmodel voor programmeren, STEM-redeneren en visuele analyse. Het accepteert tekst, afbeeldingen en video en geeft tekst terug, met kiesbaar redeneren, optioneel behoud van eerdere redeneringen en een oorspronkelijke 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 Qwen3.6 in een dicht 27B-model
Qwen3.6-27B is een dicht visueel taalmodel dat is ontwikkeld vanuit Qwen3.5-27B. De maker benadrukt sterkere code-agents en STEM-redeneren, met verbeteringen in ruimtelijk begrip, objectlokalisatie en -detectie, document-OCR, videobegrip en visuele agents. Het accepteert tekst, afbeeldingen en video en genereert tekst. Deze exacte dichte editie verschilt van het mixture-of-experts-model Qwen3.6-35B-A3B, ook al delen ze een generatie en taakfocus.
Lever voor een STEM-schema de volledige opgave aan en behoud labels en eenheden. Vraag het model rechtstreeks zichtbare feiten van aannames te scheiden en vervolgens een uitleg met een duidelijk eindantwoord te retourneren. Specificeer voor een document de te extraheren velden of beweringen en vraag om ondersteunende paginaverwijzingen. Lever voor een code-agent de relevante modules, het gewenste gedrag en werkelijke feedback uit de gekoppelde workflow aan. Deze voorbeelden passen de gedocumenteerde mogelijkheden toe; het zijn geen claims over exacte extractie of geslaagde uitvoering.
Modeloverzicht
Het model heeft 27 miljard parameters en 64 taalmodellagen. De hybride indeling herhaalt drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken in plaats van sparse experts. Een vision-encoder levert afbeeldings- en videobegrip en multi-token prediction maakt deel uit van de training. Deze architectuurfeiten identificeren het checkpoint zonder de kwaliteit of responstijd van elke toepassing te rangschikken.
De native context is 262,144 tokens en kan via configuratie worden uitgebreid tot 1,010,000. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complex redeneren, met de erkenning dat geheugendruk een kleinere instelling kan vereisen. Gerepresenteerde afbeeldingen en video, tekst, historische berichten, denken en het antwoord verbruiken allemaal ruimte in de geconfigureerde sequentie.
Invoer en modi
De maker toont vragen met tekst, afbeeldingen en video. Denken is standaard ingeschakeld, met een redeneerblok vóór het eindantwoord. enable_thinking kan dat gedrag uitschakelen voor een direct antwoord. Qwen3.6 ondersteunt officieel niet de oudere promptschakelaars /think en /nothink. Maak het vereiste resultaat na de uitleg gemakkelijk herkenbaar, bijvoorbeeld een berekende waarde, een tabel met geëxtraheerde velden of een bewerkbare codepatch.
Het videovoorbeeld gebruikt standaard twee frames per seconde in de ondersteunde workflow. Voor video op uurschaal beveelt de maker aan het processorbudget te verhogen om bemonstering met een hogere frequentie toe te staan, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Meer visueel detail vereist meer context- en verwerkingsbudget. Die instellingen leggen geen onvoorwaardelijke videoduur of exacte nauwkeurigheid van gebeurtenistijdstempels voor elke interface vast.
Historisch denken
De standaardsjabloon bewaart denken dat bij het nieuwste gebruikersbericht hoort. De optie preserve_thinking kan daarnaast redeneercontext uit historische berichten bewaren; het expliciete voorbeeld van de maker schakelt die in met true. Dit kan iteratieve ontwikkeling ondersteunen waarbij eerdere beslissingen relevant blijven na nieuwe toolfeedback. Het verschilt van het gedocumenteerde standaardgedrag voor behoud van Qwen3.8 en van Qwen3.5-richtlijnen die alleen eindantwoorden in de geschiedenis bewaren. Volg de exacte checkpointindeling, in plaats van stilzwijgend de geschiedenisregels van een andere generatie te gebruiken.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, naast Qwen Code voor code-agentwerk. Geef de toegestane handelingen en waarneembare voltooiingscriteria aan. Een tool kan aangeleverd materiaal inspecteren of een echt controleresultaat retourneren, waarna het model de analyse kan herzien. Het model krijgt niet simpelweg door zijn agentspecialisatie toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Ultralange invoer
De uitbreidingsprocedure gebruikt YaRN met de verweven positie-instellingen van dit model. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst verlagen, dus die moet volgen uit de werkelijke behoefte aan lange context. Label pagina's, functies en documentgrenzen en vraag vervolgens om conclusies die het ondersteunende bewijs benoemen.
Generatieaanbevelingen en beperkingen
De Best Practices van de modelkaart bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan voor algemeen denken. Voor nauwkeurig programmeren wordt temperature 0.6. Voor directe antwoorden is temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. De maker waarschuwt dat hogere presence penalties talen kunnen mengen of de kwaliteit enigszins kunnen verlagen.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijk wiskundig of programmeerwerk. Het zijn geen afzonderlijk vastgestelde harde grenzen. Definieer een eindantwoordformaat en controleer geëxtraheerde tekst, ruimtelijke conclusies, berekeningen en voorgestelde code aan de hand van de bron. Een grote context en bewaarde redeneercontext helpen bewijs door de taak heen mee te nemen; het controleerbare eindproduct blijft het nuttige resultaat.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.6-27b | 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 $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.0054 / 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 $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.0054 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "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/qwen3.6-27b',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/qwen3.6-27b',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/qwen3.6-27b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.6-27bQwen3.6-27B is Qwen’s dichte beeld-taalmodel voor programmeren, STEM-redeneren en visuele analyse. Het accepteert tekst, afbeeldingen en video en geeft tekst terug, met kiesbaar redeneren, optioneel behoud van eerdere redeneringen en een oorspronkelijke 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 Qwen3.6 in een dicht 27B-model
Qwen3.6-27B is een dicht visueel taalmodel dat is ontwikkeld vanuit Qwen3.5-27B. De maker benadrukt sterkere code-agents en STEM-redeneren, met verbeteringen in ruimtelijk begrip, objectlokalisatie en -detectie, document-OCR, videobegrip en visuele agents. Het accepteert tekst, afbeeldingen en video en genereert tekst. Deze exacte dichte editie verschilt van het mixture-of-experts-model Qwen3.6-35B-A3B, ook al delen ze een generatie en taakfocus.
Lever voor een STEM-schema de volledige opgave aan en behoud labels en eenheden. Vraag het model rechtstreeks zichtbare feiten van aannames te scheiden en vervolgens een uitleg met een duidelijk eindantwoord te retourneren. Specificeer voor een document de te extraheren velden of beweringen en vraag om ondersteunende paginaverwijzingen. Lever voor een code-agent de relevante modules, het gewenste gedrag en werkelijke feedback uit de gekoppelde workflow aan. Deze voorbeelden passen de gedocumenteerde mogelijkheden toe; het zijn geen claims over exacte extractie of geslaagde uitvoering.
Modeloverzicht
Het model heeft 27 miljard parameters en 64 taalmodellagen. De hybride indeling herhaalt drie Gated DeltaNet-lagen, gevolgd door één gated-attention-laag, met dichte feedforwardnetwerken in plaats van sparse experts. Een vision-encoder levert afbeeldings- en videobegrip en multi-token prediction maakt deel uit van de training. Deze architectuurfeiten identificeren het checkpoint zonder de kwaliteit of responstijd van elke toepassing te rangschikken.
De native context is 262,144 tokens en kan via configuratie worden uitgebreid tot 1,010,000. Qwen adviseert waar mogelijk ten minste 128K context te behouden voor complex redeneren, met de erkenning dat geheugendruk een kleinere instelling kan vereisen. Gerepresenteerde afbeeldingen en video, tekst, historische berichten, denken en het antwoord verbruiken allemaal ruimte in de geconfigureerde sequentie.
Invoer en modi
De maker toont vragen met tekst, afbeeldingen en video. Denken is standaard ingeschakeld, met een redeneerblok vóór het eindantwoord. enable_thinking kan dat gedrag uitschakelen voor een direct antwoord. Qwen3.6 ondersteunt officieel niet de oudere promptschakelaars /think en /nothink. Maak het vereiste resultaat na de uitleg gemakkelijk herkenbaar, bijvoorbeeld een berekende waarde, een tabel met geëxtraheerde velden of een bewerkbare codepatch.
Het videovoorbeeld gebruikt standaard twee frames per seconde in de ondersteunde workflow. Voor video op uurschaal beveelt de maker aan het processorbudget te verhogen om bemonstering met een hogere frequentie toe te staan, met een voorbeeld dat overeenkomt met ongeveer 224K videotokens. Meer visueel detail vereist meer context- en verwerkingsbudget. Die instellingen leggen geen onvoorwaardelijke videoduur of exacte nauwkeurigheid van gebeurtenistijdstempels voor elke interface vast.
Historisch denken
De standaardsjabloon bewaart denken dat bij het nieuwste gebruikersbericht hoort. De optie preserve_thinking kan daarnaast redeneercontext uit historische berichten bewaren; het expliciete voorbeeld van de maker schakelt die in met true. Dit kan iteratieve ontwikkeling ondersteunen waarbij eerdere beslissingen relevant blijven na nieuwe toolfeedback. Het verschilt van het gedocumenteerde standaardgedrag voor behoud van Qwen3.8 en van Qwen3.5-richtlijnen die alleen eindantwoorden in de geschiedenis bewaren. Volg de exacte checkpointindeling, in plaats van stilzwijgend de geschiedenisregels van een andere generatie te gebruiken.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan met geconfigureerde of via MCP gekoppelde tools, naast Qwen Code voor code-agentwerk. Geef de toegestane handelingen en waarneembare voltooiingscriteria aan. Een tool kan aangeleverd materiaal inspecteren of een echt controleresultaat retourneren, waarna het model de analyse kan herzien. Het model krijgt niet simpelweg door zijn agentspecialisatie toegang tot een bestandssysteem, actuele bronnen of een uitvoeringsomgeving.
Ultralange invoer
De uitbreidingsprocedure gebruikt YaRN met de verweven positie-instellingen van dit model. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; een factor twee wordt voorgesteld voor werklasten van 524,288 tokens. Statische schaling kan prestaties bij kortere tekst verlagen, dus die moet volgen uit de werkelijke behoefte aan lange context. Label pagina's, functies en documentgrenzen en vraag vervolgens om conclusies die het ondersteunende bewijs benoemen.
Generatieaanbevelingen en beperkingen
De Best Practices van de modelkaart bevelen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 en repetition penalty 1.0 aan voor algemeen denken. Voor nauwkeurig programmeren wordt temperature 0.6. Voor directe antwoorden is temperature 0.7, top_p 0.8 en presence penalty 1.5, met de overige waarden ongewijzigd. De maker waarschuwt dat hogere presence penalties talen kunnen mengen of de kwaliteit enigszins kunnen verlagen.
De aanbevolen generatiecapaciteiten zijn 32,768 tokens voor de meeste vragen en 81,920 voor uitzonderlijk moeilijk wiskundig of programmeerwerk. Het zijn geen afzonderlijk vastgestelde harde grenzen. Definieer een eindantwoordformaat en controleer geëxtraheerde tekst, ruimtelijke conclusies, berekeningen en voorgestelde code aan de hand van de bron. Een grote context en bewaarde redeneercontext helpen bewijs door de taak heen mee te nemen; het controleerbare eindproduct blijft het nuttige resultaat.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.6-27b | 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 $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.0054 / 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 $0.0009 / 1K tokens Uitvoer · Uitvoertokens $0.0054 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.6-27b', '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/qwen3.6-27b', '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/qwen3.6-27b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.