Belangrijkste kenmerken van Qwen3.6: programmeren en continuïteit van redeneren
Qwen3.6-35B-A3B is een visueel taalmodel dat gericht is op bruikbaar programmeer- en agentwerk. Qwen benadrukt sterkere frontendworkflows en redeneren op repositoryniveau, plus een nieuwe optie om denken uit historische berichten te bewaren. Het accepteert tekst, afbeeldingen en video en retourneert tekst: een uitleg, codevoorstel, gestructureerde analyse of ander gevraagd tekstueel resultaat. Behoud deze exacte 35B-A3B-editie, in plaats van haar als de dichte Qwen3.6-27B of de eerdere Qwen3.5-tegenhanger te behandelen.
Lever voor een frontendtaak de relevante schermafbeelding, functionele eisen en bestaande codecontext aan. Vraag om bewerkbare broncode en een beschrijving van de beoogde toestanden en interacties. Benoem voor een repositorytaak de betrokken functie, invoer die een probleem zichtbaar maakt en het verwachte gedrag. Vraag om een voorgestelde patch met de aannames en relevante controles.
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 en selecteert acht gerouteerde experts met één gedeelde expert; multi-token prediction maakt deel uit van de training. Het kleinere geactiveerde aantal beschrijft niet de volledige checkpointgrootte. Een vision-encoder levert het visuele deel van het model.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. De maker beveelt aan waar mogelijk een context van ten minste 128K te behouden voor complexe denktaken, ook als een kleinere context de geheugendruk zou verlichten. Brontekst, gerepresenteerd beeldmateriaal, historische berichten, redeneren en het eindantwoord delen de geconfigureerde sequentieruimte.
Invoer en antwoordmodi gebruiken
De modelkaart toont vragen met tekst, afbeeldingen en video. Behoud voor een schema of pagina de labels en definieer de exacte vraag. Behoud voor een fragment de timing en benoem de relevante gebeurtenis. Het ondersteunde videovoorbeeld van de maker gebruikt standaard twee frames per seconde en biedt bemonsteringsconfiguratie. De best-practiceprocedure breidt het budget van de videoprocessor uit tot ongeveer 224K videotokens voor analyse op uurschaal met een hogere bemonsteringsfrequentie; dit is een configuratievoorbeeld en geen harde universele limiet voor fragmentduur.
Denken is standaard ingeschakeld. De instelling enable_thinking van de maker kan dit uitschakelen voor een direct antwoord. Qwen3.6 ondersteunt officieel niet de oudere soft-promptschakelaars /think en /nothink van Qwen3. Scheid het redeneerproces van het eindproduct wanneer u een resultaat presenteert en volg de eigen interface van dit checkpoint, in plaats van aan te nemen dat promptmarkeringen of instellingen uit een andere generatie van toepassing zijn.
Historisch denken bewaren
Standaard bewaart de sjabloon denkblokken die bij het nieuwste gebruikersbericht horen. Qwen3.6 is daarnaast getraind om historische redeneercontext te gebruiken wanneer preserve_thinking is ingeschakeld. Het expliciete voorbeeld stelt die optie in op true. Dit kan een iteratieve agenttaak helpen beslissingscontext te behouden, in plaats van eerdere keuzes telkens opnieuw af te leiden; het verandert ook de hoeveelheid geschiedenis die het verzoek meeneemt. De beschikbaarheid van de optie hangt af van de interface die de procedure van de maker aanbiedt.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan voor het configureren van tools, waaronder via MCP gekoppelde tools. Qwen Code is een andere door de maker gedocumenteerde workflow voor code-agents. Definieer de toegestane tools, het taakdoel en het verwachte eindproduct en retourneer vervolgens werkelijke toolwaarnemingen naar het model. Het model kan over een resultaat redeneren en een plan herzien; toegang tot bestanden of uitvoeringsomgevingen komt van de gekoppelde toepassing, niet van de modelnaam.
Ultralange tekst
De gedocumenteerde contextuitbreiding gebruikt YaRN met de verweven positie-instellingen van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; voor werklasten van 524,288 tokens stelt Qwen een factor twee voor. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus de maker beveelt aan die te wijzigen wanneer de langere context nodig is. Behoud paragraaf- en code-identificaties in grote invoer en vraag het resultaat aan te geven welk bewijs elke conclusie ondersteunt.
Generatierichtlijnen en beperkingen
Voor algemeen denken beveelt de maker temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan. Voor nauwkeurig programmeren wordt temperature 0.6 en de presence penalty nul. Voor directe antwoorden worden temperature 0.7, top_p 0.8 en presence penalty 1.5 aanbevolen, met de overige waarden ongewijzigd. Hogere presence penalties kunnen herhaling verminderen, maar ook talen mengen of de kwaliteit enigszins verlagen.
Qwen beveelt een generatiecapaciteit van 32,768 tokens aan voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen afzonderlijk vastgestelde harde uitvoergrenzen. Geef het eindformaat expliciet aan en controleer code, berekeningen en geëxtraheerde visuele details aan de hand van de bron. Continuïteit van redeneren en lange context helpen het bewijs van een taak mee te nemen, terwijl een controleerbaar eindproduct het resultaat bruikbaar maakt.
", "aboutText": "Belangrijkste kenmerken van Qwen3.6: programmeren en continuïteit van redeneren\n\nQwen3.6-35B-A3B is een visueel taalmodel dat gericht is op bruikbaar programmeer- en agentwerk. Qwen benadrukt sterkere frontendworkflows en redeneren op repositoryniveau, plus een nieuwe optie om denken uit historische berichten te bewaren. Het accepteert tekst, afbeeldingen en video en retourneert tekst: een uitleg, codevoorstel, gestructureerde analyse of ander gevraagd tekstueel resultaat. Behoud deze exacte 35B-A3B-editie, in plaats van haar als de dichte Qwen3.6-27B of de eerdere Qwen3.5-tegenhanger te behandelen.\n\nLever voor een frontendtaak de relevante schermafbeelding, functionele eisen en bestaande codecontext aan. Vraag om bewerkbare broncode en een beschrijving van de beoogde toestanden en interacties. Benoem voor een repositorytaak de betrokken functie, invoer die een probleem zichtbaar maakt en het verwachte gedrag. Vraag om een voorgestelde patch met de aannames en relevante controles.\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 en selecteert acht gerouteerde experts met één gedeelde expert; multi-token prediction maakt deel uit van de training. Het kleinere geactiveerde aantal beschrijft niet de volledige checkpointgrootte. Een vision-encoder levert het visuele deel van het model.\n\nDe native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. De maker beveelt aan waar mogelijk een context van ten minste 128K te behouden voor complexe denktaken, ook als een kleinere context de geheugendruk zou verlichten. Brontekst, gerepresenteerd beeldmateriaal, historische berichten, redeneren en het eindantwoord delen de geconfigureerde sequentieruimte.\n\nInvoer en antwoordmodi gebruiken\n\nDe modelkaart toont vragen met tekst, afbeeldingen en video. Behoud voor een schema of pagina de labels en definieer de exacte vraag. Behoud voor een fragment de timing en benoem de relevante gebeurtenis. Het ondersteunde videovoorbeeld van de maker gebruikt standaard twee frames per seconde en biedt bemonsteringsconfiguratie. De best-practiceprocedure breidt het budget van de videoprocessor uit tot ongeveer 224K videotokens voor analyse op uurschaal met een hogere bemonsteringsfrequentie; dit is een configuratievoorbeeld en geen harde universele limiet voor fragmentduur.\n\nDenken is standaard ingeschakeld. De instelling enable_thinking van de maker kan dit uitschakelen voor een direct antwoord. Qwen3.6 ondersteunt officieel niet de oudere soft-promptschakelaars /think en /nothink van Qwen3. Scheid het redeneerproces van het eindproduct wanneer u een resultaat presenteert en volg de eigen interface van dit checkpoint, in plaats van aan te nemen dat promptmarkeringen of instellingen uit een andere generatie van toepassing zijn.\n\nHistorisch denken bewaren\n\nStandaard bewaart de sjabloon denkblokken die bij het nieuwste gebruikersbericht horen. Qwen3.6 is daarnaast getraind om historische redeneercontext te gebruiken wanneer preserve_thinking is ingeschakeld. Het expliciete voorbeeld stelt die optie in op true. Dit kan een iteratieve agenttaak helpen beslissingscontext te behouden, in plaats van eerdere keuzes telkens opnieuw af te leiden; het verandert ook de hoeveelheid geschiedenis die het verzoek meeneemt. De beschikbaarheid van de optie hangt af van de interface die de procedure van de maker aanbiedt.\n\nAgentgebruik\n\nQwen documenteert tool calling en beveelt Qwen-Agent aan voor het configureren van tools, waaronder via MCP gekoppelde tools. Qwen Code is een andere door de maker gedocumenteerde workflow voor code-agents. Definieer de toegestane tools, het taakdoel en het verwachte eindproduct en retourneer vervolgens werkelijke toolwaarnemingen naar het model. Het model kan over een resultaat redeneren en een plan herzien; toegang tot bestanden of uitvoeringsomgevingen komt van de gekoppelde toepassing, niet van de modelnaam.\n\nUltralange tekst\n\nDe gedocumenteerde contextuitbreiding gebruikt YaRN met de verweven positie-instellingen van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; voor werklasten van 524,288 tokens stelt Qwen een factor twee voor. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus de maker beveelt aan die te wijzigen wanneer de langere context nodig is. Behoud paragraaf- en code-identificaties in grote invoer en vraag het resultaat aan te geven welk bewijs elke conclusie ondersteunt.\n\nGeneratierichtlijnen en beperkingen\n\nVoor algemeen denken beveelt de maker temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan. Voor nauwkeurig programmeren wordt temperature 0.6 en de presence penalty nul. Voor directe antwoorden worden temperature 0.7, top_p 0.8 en presence penalty 1.5 aanbevolen, met de overige waarden ongewijzigd. Hogere presence penalties kunnen herhaling verminderen, maar ook talen mengen of de kwaliteit enigszins verlagen.\n\nQwen beveelt een generatiecapaciteit van 32,768 tokens aan voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen afzonderlijk vastgestelde harde uitvoergrenzen. Geef het eindformaat expliciet aan en controleer code, berekeningen en geëxtraheerde visuele details aan de hand van de bron. Continuïteit van redeneren en lange context helpen het bewijs van een taak mee te nemen, terwijl een controleerbaar eindproduct het resultaat bruikbaar maakt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B is Qwens visuele mixture-of-experts-taalmodel met in totaal 35 miljard parameters en 3 miljard geactiveerde parameters. Het richt zich op frontendprogrammering en codewerk op repositoryniveau, voegt optioneel behoud van historische redeneercontext toe en accepteert tekst, afbeeldingen en video met tekstuele uitvoer.
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: programmeren en continuïteit van redeneren
Qwen3.6-35B-A3B is een visueel taalmodel dat gericht is op bruikbaar programmeer- en agentwerk. Qwen benadrukt sterkere frontendworkflows en redeneren op repositoryniveau, plus een nieuwe optie om denken uit historische berichten te bewaren. Het accepteert tekst, afbeeldingen en video en retourneert tekst: een uitleg, codevoorstel, gestructureerde analyse of ander gevraagd tekstueel resultaat. Behoud deze exacte 35B-A3B-editie, in plaats van haar als de dichte Qwen3.6-27B of de eerdere Qwen3.5-tegenhanger te behandelen.
Lever voor een frontendtaak de relevante schermafbeelding, functionele eisen en bestaande codecontext aan. Vraag om bewerkbare broncode en een beschrijving van de beoogde toestanden en interacties. Benoem voor een repositorytaak de betrokken functie, invoer die een probleem zichtbaar maakt en het verwachte gedrag. Vraag om een voorgestelde patch met de aannames en relevante controles.
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 en selecteert acht gerouteerde experts met één gedeelde expert; multi-token prediction maakt deel uit van de training. Het kleinere geactiveerde aantal beschrijft niet de volledige checkpointgrootte. Een vision-encoder levert het visuele deel van het model.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. De maker beveelt aan waar mogelijk een context van ten minste 128K te behouden voor complexe denktaken, ook als een kleinere context de geheugendruk zou verlichten. Brontekst, gerepresenteerd beeldmateriaal, historische berichten, redeneren en het eindantwoord delen de geconfigureerde sequentieruimte.
Invoer en antwoordmodi gebruiken
De modelkaart toont vragen met tekst, afbeeldingen en video. Behoud voor een schema of pagina de labels en definieer de exacte vraag. Behoud voor een fragment de timing en benoem de relevante gebeurtenis. Het ondersteunde videovoorbeeld van de maker gebruikt standaard twee frames per seconde en biedt bemonsteringsconfiguratie. De best-practiceprocedure breidt het budget van de videoprocessor uit tot ongeveer 224K videotokens voor analyse op uurschaal met een hogere bemonsteringsfrequentie; dit is een configuratievoorbeeld en geen harde universele limiet voor fragmentduur.
Denken is standaard ingeschakeld. De instelling enable_thinking van de maker kan dit uitschakelen voor een direct antwoord. Qwen3.6 ondersteunt officieel niet de oudere soft-promptschakelaars /think en /nothink van Qwen3. Scheid het redeneerproces van het eindproduct wanneer u een resultaat presenteert en volg de eigen interface van dit checkpoint, in plaats van aan te nemen dat promptmarkeringen of instellingen uit een andere generatie van toepassing zijn.
Historisch denken bewaren
Standaard bewaart de sjabloon denkblokken die bij het nieuwste gebruikersbericht horen. Qwen3.6 is daarnaast getraind om historische redeneercontext te gebruiken wanneer preserve_thinking is ingeschakeld. Het expliciete voorbeeld stelt die optie in op true. Dit kan een iteratieve agenttaak helpen beslissingscontext te behouden, in plaats van eerdere keuzes telkens opnieuw af te leiden; het verandert ook de hoeveelheid geschiedenis die het verzoek meeneemt. De beschikbaarheid van de optie hangt af van de interface die de procedure van de maker aanbiedt.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan voor het configureren van tools, waaronder via MCP gekoppelde tools. Qwen Code is een andere door de maker gedocumenteerde workflow voor code-agents. Definieer de toegestane tools, het taakdoel en het verwachte eindproduct en retourneer vervolgens werkelijke toolwaarnemingen naar het model. Het model kan over een resultaat redeneren en een plan herzien; toegang tot bestanden of uitvoeringsomgevingen komt van de gekoppelde toepassing, niet van de modelnaam.
Ultralange tekst
De gedocumenteerde contextuitbreiding gebruikt YaRN met de verweven positie-instellingen van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; voor werklasten van 524,288 tokens stelt Qwen een factor twee voor. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus de maker beveelt aan die te wijzigen wanneer de langere context nodig is. Behoud paragraaf- en code-identificaties in grote invoer en vraag het resultaat aan te geven welk bewijs elke conclusie ondersteunt.
Generatierichtlijnen en beperkingen
Voor algemeen denken beveelt de maker temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan. Voor nauwkeurig programmeren wordt temperature 0.6 en de presence penalty nul. Voor directe antwoorden worden temperature 0.7, top_p 0.8 en presence penalty 1.5 aanbevolen, met de overige waarden ongewijzigd. Hogere presence penalties kunnen herhaling verminderen, maar ook talen mengen of de kwaliteit enigszins verlagen.
Qwen beveelt een generatiecapaciteit van 32,768 tokens aan voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen afzonderlijk vastgestelde harde uitvoergrenzen. Geef het eindformaat expliciet aan en controleer code, berekeningen en geëxtraheerde visuele details aan de hand van de bron. Continuïteit van redeneren en lange context helpen het bewijs van een taak mee te nemen, terwijl een controleerbaar eindproduct het resultaat bruikbaar maakt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.6-35b-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 $0.000566 / 1K tokens Uitvoer · Uitvoertokens $0.00341 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.000566 / 1K tokens Uitvoer · Uitvoertokens $0.00341 / 1K tokens Invoer · Cache lezen $0.0001 / 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/qwen3.6-35b-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/qwen3.6-35b-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/qwen3.6-35b-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/qwen3.6-35b-a3b
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B is Qwens visuele mixture-of-experts-taalmodel met in totaal 35 miljard parameters en 3 miljard geactiveerde parameters. Het richt zich op frontendprogrammering en codewerk op repositoryniveau, voegt optioneel behoud van historische redeneercontext toe en accepteert tekst, afbeeldingen en video met tekstuele uitvoer.
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: programmeren en continuïteit van redeneren
Qwen3.6-35B-A3B is een visueel taalmodel dat gericht is op bruikbaar programmeer- en agentwerk. Qwen benadrukt sterkere frontendworkflows en redeneren op repositoryniveau, plus een nieuwe optie om denken uit historische berichten te bewaren. Het accepteert tekst, afbeeldingen en video en retourneert tekst: een uitleg, codevoorstel, gestructureerde analyse of ander gevraagd tekstueel resultaat. Behoud deze exacte 35B-A3B-editie, in plaats van haar als de dichte Qwen3.6-27B of de eerdere Qwen3.5-tegenhanger te behandelen.
Lever voor een frontendtaak de relevante schermafbeelding, functionele eisen en bestaande codecontext aan. Vraag om bewerkbare broncode en een beschrijving van de beoogde toestanden en interacties. Benoem voor een repositorytaak de betrokken functie, invoer die een probleem zichtbaar maakt en het verwachte gedrag. Vraag om een voorgestelde patch met de aannames en relevante controles.
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 en selecteert acht gerouteerde experts met één gedeelde expert; multi-token prediction maakt deel uit van de training. Het kleinere geactiveerde aantal beschrijft niet de volledige checkpointgrootte. Een vision-encoder levert het visuele deel van het model.
De native context is 262,144 tokens, met voorwaardelijke uitbreiding tot 1,010,000. De maker beveelt aan waar mogelijk een context van ten minste 128K te behouden voor complexe denktaken, ook als een kleinere context de geheugendruk zou verlichten. Brontekst, gerepresenteerd beeldmateriaal, historische berichten, redeneren en het eindantwoord delen de geconfigureerde sequentieruimte.
Invoer en antwoordmodi gebruiken
De modelkaart toont vragen met tekst, afbeeldingen en video. Behoud voor een schema of pagina de labels en definieer de exacte vraag. Behoud voor een fragment de timing en benoem de relevante gebeurtenis. Het ondersteunde videovoorbeeld van de maker gebruikt standaard twee frames per seconde en biedt bemonsteringsconfiguratie. De best-practiceprocedure breidt het budget van de videoprocessor uit tot ongeveer 224K videotokens voor analyse op uurschaal met een hogere bemonsteringsfrequentie; dit is een configuratievoorbeeld en geen harde universele limiet voor fragmentduur.
Denken is standaard ingeschakeld. De instelling enable_thinking van de maker kan dit uitschakelen voor een direct antwoord. Qwen3.6 ondersteunt officieel niet de oudere soft-promptschakelaars /think en /nothink van Qwen3. Scheid het redeneerproces van het eindproduct wanneer u een resultaat presenteert en volg de eigen interface van dit checkpoint, in plaats van aan te nemen dat promptmarkeringen of instellingen uit een andere generatie van toepassing zijn.
Historisch denken bewaren
Standaard bewaart de sjabloon denkblokken die bij het nieuwste gebruikersbericht horen. Qwen3.6 is daarnaast getraind om historische redeneercontext te gebruiken wanneer preserve_thinking is ingeschakeld. Het expliciete voorbeeld stelt die optie in op true. Dit kan een iteratieve agenttaak helpen beslissingscontext te behouden, in plaats van eerdere keuzes telkens opnieuw af te leiden; het verandert ook de hoeveelheid geschiedenis die het verzoek meeneemt. De beschikbaarheid van de optie hangt af van de interface die de procedure van de maker aanbiedt.
Agentgebruik
Qwen documenteert tool calling en beveelt Qwen-Agent aan voor het configureren van tools, waaronder via MCP gekoppelde tools. Qwen Code is een andere door de maker gedocumenteerde workflow voor code-agents. Definieer de toegestane tools, het taakdoel en het verwachte eindproduct en retourneer vervolgens werkelijke toolwaarnemingen naar het model. Het model kan over een resultaat redeneren en een plan herzien; toegang tot bestanden of uitvoeringsomgevingen komt van de gekoppelde toepassing, niet van de modelnaam.
Ultralange tekst
De gedocumenteerde contextuitbreiding gebruikt YaRN met de verweven positie-instellingen van het checkpoint. Een factor vier is gericht op de workflow met ongeveer één miljoen tokens; voor werklasten van 524,288 tokens stelt Qwen een factor twee voor. Statische schaling kan prestaties bij kortere tekst beïnvloeden, dus de maker beveelt aan die te wijzigen wanneer de langere context nodig is. Behoud paragraaf- en code-identificaties in grote invoer en vraag het resultaat aan te geven welk bewijs elke conclusie ondersteunt.
Generatierichtlijnen en beperkingen
Voor algemeen denken beveelt de maker temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 en repetition penalty 1.0 aan. Voor nauwkeurig programmeren wordt temperature 0.6 en de presence penalty nul. Voor directe antwoorden worden temperature 0.7, top_p 0.8 en presence penalty 1.5 aanbevolen, met de overige waarden ongewijzigd. Hogere presence penalties kunnen herhaling verminderen, maar ook talen mengen of de kwaliteit enigszins verlagen.
Qwen beveelt een generatiecapaciteit van 32,768 tokens aan voor de meeste vragen en 81,920 voor uitzonderlijk complexe wiskundige of programmeertaken. Dit zijn aanbevelingen, geen afzonderlijk vastgestelde harde uitvoergrenzen. Geef het eindformaat expliciet aan en controleer code, berekeningen en geëxtraheerde visuele details aan de hand van de bron. Continuïteit van redeneren en lange context helpen het bewijs van een taak mee te nemen, terwijl een controleerbaar eindproduct het resultaat bruikbaar maakt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3.6-35b-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 $0.000566 / 1K tokens Uitvoer · Uitvoertokens $0.00341 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.000566 / 1K tokens Uitvoer · Uitvoertokens $0.00341 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.6-35b-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/qwen3.6-35b-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/qwen3.6-35b-a3b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.