Najważniejsze cechy Qwen3.5: model z ekspertami 122B-A10B
Qwen3.5-122B-A10B to model wizyjno-językowy poddany dodatkowemu treningowi, przeznaczony do wspólnych zadań tekstowych i wizualnych. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst, w tym wyjaśnienia, propozycje kodu i zamówione artefakty dokumentowe. Rodzina powstaje dzięki wczesnej fuzji tekstu z obrazem oraz uczeniu ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, rozwijając rozumowanie, programowanie, agentów i rozumienie obrazu. Jej opis obejmuje 201 języków i dialektów, bez sugestii, że każdy język lub każda dziedzina cechują się identyczną niezawodnością.
Przydatne zadanie może łączyć specyfikację techniczną, diagramy i odpowiedni kod, wymagając od modelu objaśnienia komponentów i zwrócenia propozycji implementacji. Zadanie analizy dokumentów może wymagać porównania z odwołaniami do sekcji lub stron uzasadniających ustalenia.
Przegląd modelu
Checkpoint z rzadką architekturą mieszaniny ekspertów ma łącznie 122 miliardy parametrów i aktywuje dziesięć miliardów. Ma 48 warstw modelu językowego, z grupami trzech warstw ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Producent podaje 256 ekspertów wybieranych przez mechanizm routingu, z których wybieranych jest ośmiu wraz z jednym ekspertem współdzielonym. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Całkowita i aktywowana liczba parametrów mają różne znaczenia; liczba aktywowanych parametrów nie jest pełnym rozmiarem checkpointu.
To odrębna edycja od gęstego Qwen3.5-27B, rzadkiego Qwen3.5-35B-A3B i późniejszych generacji modeli. Nie wyciągaj z samego rozmiaru wniosku o ogólnym rankingu wydajności lub opóźnień. Natywny kontekst wynosi 262,144 tokenów, a udokumentowane rozszerzenie po skonfigurowaniu sięga 1,010,000. Qwen zaleca zachowanie co najmniej 128K kontekstu, w miarę możliwości, dla złożonego rozumowania, uznając jednocześnie, że obciążenie pamięci może wymagać mniejszego okna.
Przygotowanie wspólnych dowodów tekstowych i wizualnych
Zachowaj etykiety diagramów, osie wykresów, nagłówki tabel i jednostki. Określ, czy wynik ma wyjaśniać zależność, wyodrębniać nazwane pola czy proponować kod. Gdy istotnych jest kilka źródeł, oznacz je i poproś o wynik uporządkowany według tych samych identyfikatorów. Oddziel widoczne fakty od założeń, aby osoba oceniająca mogła prześledzić powiązanie rozumowania z dostarczonym materiałem.
W poleceniu programistycznym wskaż zamierzone zachowanie, odpowiedni kod źródłowy i dane wejściowe ilustrujące problem. Poproś o edytowalną poprawkę z objaśnieniem warunków, na które wpływa zmiana, oraz sprawdzeń. W przypadku wideo zachowaj sekwencję zdarzeń i informacje o czasie oraz sprecyzuj pytanie, zamiast wymagać ogólnego streszczenia bez rozróżnień. Tekstowy wynik modelu jest roboczym artefaktem do oceny; możliwość przyjmowania materiałów wizualnych nie oznacza generowania obrazów, wideo ani mowy.
Rozumowanie i historia
Rozumowanie jest domyślnie włączone i poprzedza odpowiedź końcową. Ustawienie enable_thinking producenta pozwala je wyłączyć dla odpowiedzi bezpośrednich. Dawne miękkie przełączniki /think i /nothink nie są oficjalnie obsługiwane. Qwen3.5 zaleca zachowywanie odpowiedzi końcowych bez treści rozumowania w historycznych wiadomościach asystenta. Nie należy zastępować tego opcjami zachowywania historii z późniejszych generacji Qwen tylko dlatego, że mają wspólną nazwę rodziny.
Zadbaj, aby wynik końcowy był łatwy do znalezienia, na przykład jako zdefiniowane pole odpowiedzi, wartość z wyraźnymi separatorami lub osobny artefakt kodu. Odpowiedź bezpośrednia nadal wymaga sprawdzenia, a dłuższe rozumowanie jest przydatne tylko wtedy, gdy jego kroki uzasadniają weryfikowalny wniosek.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP, a także Qwen Code do pracy agentów programistycznych. Zdefiniuj dozwolone działania, dostępne dowody i kryteria zakończenia. Połączone narzędzia wykonują operacje i zwracają wyniki; model wykorzystuje te informacje zwrotne w analizie. Proponowane polecenie, zapytanie wyszukiwawcze lub poprawka powinny pozostać odrębne od działania rzeczywiście zakończonego przez aplikację.
Bardzo długi kontekst i wideo
Rozszerzenie producenta wykorzystuje YaRN z przeplatanymi ustawieniami pozycyjnymi checkpointu. Współczynnik cztery służy do pracy z kontekstem liczącym około miliona tokenów, a współczynnik dwa jest sugerowany dla zadań liczących 524,288 tokenów. Statyczne skalowanie może wpływać na wydajność przy krótszym tekście, dlatego powinno odpowiadać rzeczywistej potrzebie większego kontekstu. Dane wejściowe, reprezentowane materiały wizualne, historia, rozumowanie i odpowiedź końcowa wykorzystują skonfigurowany budżet sekwencji.
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. W przypadku materiałów o długości rzędu godzin producent zaleca zwiększenie budżetu procesora do około 224K tokenów wideo przy częstszym próbkowaniu. To instrukcja zależna od konfiguracji, a nie uniwersalna gwarancja długości mediów, kompletnego odtworzenia informacji lub precyzji znaczników czasu.
Zalecenia dotyczące generowania i istotne ograniczenia
Best Practices zalecają temperature 1.0, top_p 0.95, top_k 20, min_p 0, karę za obecność 1.5 i karę za powtórzenia 1.0 dla ogólnego rozumowania. Precyzyjne programowanie wykorzystuje temperature 0.6 i zerową karę za obecność. Ogólne odpowiedzi bezpośrednie wykorzystują temperature 0.7, top_p 0.8 i karę za obecność 1.5; top_k wynosi 20, min_p wynosi 0, a kara za powtórzenia 1.0. Rozumowanie z odpowiedzią bezpośrednią ma osobny zestaw ustawień: temperature 1.0, top_p 1.0, top_k 40 i karę za obecność 2.0. Wyższe kary za obecność mogą powodować mieszanie języków lub niewielki spadek jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych; nie są to osobno ustanowione twarde limity długości wyjścia. Zdefiniuj wymagany format, zachowaj identyfikatory źródeł i sprawdź obliczenia, wyodrębnione wartości oraz proponowany kod względem oryginalnych dowodów. Przydatny rezultat to kompletny artefakt tekstowy z widocznymi założeniami i materiałami uzasadniającymi.
", "aboutText": "Najważniejsze cechy Qwen3.5: model z ekspertami 122B-A10B\n\nQwen3.5-122B-A10B to model wizyjno-językowy poddany dodatkowemu treningowi, przeznaczony do wspólnych zadań tekstowych i wizualnych. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst, w tym wyjaśnienia, propozycje kodu i zamówione artefakty dokumentowe. Rodzina powstaje dzięki wczesnej fuzji tekstu z obrazem oraz uczeniu ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, rozwijając rozumowanie, programowanie, agentów i rozumienie obrazu. Jej opis obejmuje 201 języków i dialektów, bez sugestii, że każdy język lub każda dziedzina cechują się identyczną niezawodnością.\n\nPrzydatne zadanie może łączyć specyfikację techniczną, diagramy i odpowiedni kod, wymagając od modelu objaśnienia komponentów i zwrócenia propozycji implementacji. Zadanie analizy dokumentów może wymagać porównania z odwołaniami do sekcji lub stron uzasadniających ustalenia.\n\nPrzegląd modelu\n\nCheckpoint z rzadką architekturą mieszaniny ekspertów ma łącznie 122 miliardy parametrów i aktywuje dziesięć miliardów. Ma 48 warstw modelu językowego, z grupami trzech warstw ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Producent podaje 256 ekspertów wybieranych przez mechanizm routingu, z których wybieranych jest ośmiu wraz z jednym ekspertem współdzielonym. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Całkowita i aktywowana liczba parametrów mają różne znaczenia; liczba aktywowanych parametrów nie jest pełnym rozmiarem checkpointu.\n\nTo odrębna edycja od gęstego Qwen3.5-27B, rzadkiego Qwen3.5-35B-A3B i późniejszych generacji modeli. Nie wyciągaj z samego rozmiaru wniosku o ogólnym rankingu wydajności lub opóźnień. Natywny kontekst wynosi 262,144 tokenów, a udokumentowane rozszerzenie po skonfigurowaniu sięga 1,010,000. Qwen zaleca zachowanie co najmniej 128K kontekstu, w miarę możliwości, dla złożonego rozumowania, uznając jednocześnie, że obciążenie pamięci może wymagać mniejszego okna.\n\nPrzygotowanie wspólnych dowodów tekstowych i wizualnych\n\nZachowaj etykiety diagramów, osie wykresów, nagłówki tabel i jednostki. Określ, czy wynik ma wyjaśniać zależność, wyodrębniać nazwane pola czy proponować kod. Gdy istotnych jest kilka źródeł, oznacz je i poproś o wynik uporządkowany według tych samych identyfikatorów. Oddziel widoczne fakty od założeń, aby osoba oceniająca mogła prześledzić powiązanie rozumowania z dostarczonym materiałem.\n\nW poleceniu programistycznym wskaż zamierzone zachowanie, odpowiedni kod źródłowy i dane wejściowe ilustrujące problem. Poproś o edytowalną poprawkę z objaśnieniem warunków, na które wpływa zmiana, oraz sprawdzeń. W przypadku wideo zachowaj sekwencję zdarzeń i informacje o czasie oraz sprecyzuj pytanie, zamiast wymagać ogólnego streszczenia bez rozróżnień. Tekstowy wynik modelu jest roboczym artefaktem do oceny; możliwość przyjmowania materiałów wizualnych nie oznacza generowania obrazów, wideo ani mowy.\n\nRozumowanie i historia\n\nRozumowanie jest domyślnie włączone i poprzedza odpowiedź końcową. Ustawienie enable_thinking producenta pozwala je wyłączyć dla odpowiedzi bezpośrednich. Dawne miękkie przełączniki /think i /nothink nie są oficjalnie obsługiwane. Qwen3.5 zaleca zachowywanie odpowiedzi końcowych bez treści rozumowania w historycznych wiadomościach asystenta. Nie należy zastępować tego opcjami zachowywania historii z późniejszych generacji Qwen tylko dlatego, że mają wspólną nazwę rodziny.\n\nZadbaj, aby wynik końcowy był łatwy do znalezienia, na przykład jako zdefiniowane pole odpowiedzi, wartość z wyraźnymi separatorami lub osobny artefakt kodu. Odpowiedź bezpośrednia nadal wymaga sprawdzenia, a dłuższe rozumowanie jest przydatne tylko wtedy, gdy jego kroki uzasadniają weryfikowalny wniosek.\n\nZastosowania agentowe\n\nQwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP, a także Qwen Code do pracy agentów programistycznych. Zdefiniuj dozwolone działania, dostępne dowody i kryteria zakończenia. Połączone narzędzia wykonują operacje i zwracają wyniki; model wykorzystuje te informacje zwrotne w analizie. Proponowane polecenie, zapytanie wyszukiwawcze lub poprawka powinny pozostać odrębne od działania rzeczywiście zakończonego przez aplikację.\n\nBardzo długi kontekst i wideo\n\nRozszerzenie producenta wykorzystuje YaRN z przeplatanymi ustawieniami pozycyjnymi checkpointu. Współczynnik cztery służy do pracy z kontekstem liczącym około miliona tokenów, a współczynnik dwa jest sugerowany dla zadań liczących 524,288 tokenów. Statyczne skalowanie może wpływać na wydajność przy krótszym tekście, dlatego powinno odpowiadać rzeczywistej potrzebie większego kontekstu. Dane wejściowe, reprezentowane materiały wizualne, historia, rozumowanie i odpowiedź końcowa wykorzystują skonfigurowany budżet sekwencji.\n\nObsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. W przypadku materiałów o długości rzędu godzin producent zaleca zwiększenie budżetu procesora do około 224K tokenów wideo przy częstszym próbkowaniu. To instrukcja zależna od konfiguracji, a nie uniwersalna gwarancja długości mediów, kompletnego odtworzenia informacji lub precyzji znaczników czasu.\n\nZalecenia dotyczące generowania i istotne ograniczenia\n\nBest Practices zalecają temperature 1.0, top_p 0.95, top_k 20, min_p 0, karę za obecność 1.5 i karę za powtórzenia 1.0 dla ogólnego rozumowania. Precyzyjne programowanie wykorzystuje temperature 0.6 i zerową karę za obecność. Ogólne odpowiedzi bezpośrednie wykorzystują temperature 0.7, top_p 0.8 i karę za obecność 1.5; top_k wynosi 20, min_p wynosi 0, a kara za powtórzenia 1.0. Rozumowanie z odpowiedzią bezpośrednią ma osobny zestaw ustawień: temperature 1.0, top_p 1.0, top_k 40 i karę za obecność 2.0. Wyższe kary za obecność mogą powodować mieszanie języków lub niewielki spadek jakości.\n\nZalecane limity generowania wynoszą 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych; nie są to osobno ustanowione twarde limity długości wyjścia. Zdefiniuj wymagany format, zachowaj identyfikatory źródeł i sprawdź obliczenia, wyodrębnione wartości oraz proponowany kod względem oryginalnych dowodów. Przydatny rezultat to kompletny artefakt tekstowy z widocznymi założeniami i materiałami uzasadniającymi.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B to model wizyjno-językowy Qwen z architekturą mieszaniny ekspertów, liczący łącznie 122 miliardy parametrów i aktywujący 10 miliardów. Przyjmuje tekst, obrazy i wideo do zadań rozumowania, programowania i pracy agentów, zwracając tekst z wybieralnym rozumowaniem oraz natywnym kontekstem 262,144 tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3.5: model z ekspertami 122B-A10B
Qwen3.5-122B-A10B to model wizyjno-językowy poddany dodatkowemu treningowi, przeznaczony do wspólnych zadań tekstowych i wizualnych. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst, w tym wyjaśnienia, propozycje kodu i zamówione artefakty dokumentowe. Rodzina powstaje dzięki wczesnej fuzji tekstu z obrazem oraz uczeniu ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, rozwijając rozumowanie, programowanie, agentów i rozumienie obrazu. Jej opis obejmuje 201 języków i dialektów, bez sugestii, że każdy język lub każda dziedzina cechują się identyczną niezawodnością.
Przydatne zadanie może łączyć specyfikację techniczną, diagramy i odpowiedni kod, wymagając od modelu objaśnienia komponentów i zwrócenia propozycji implementacji. Zadanie analizy dokumentów może wymagać porównania z odwołaniami do sekcji lub stron uzasadniających ustalenia.
Przegląd modelu
Checkpoint z rzadką architekturą mieszaniny ekspertów ma łącznie 122 miliardy parametrów i aktywuje dziesięć miliardów. Ma 48 warstw modelu językowego, z grupami trzech warstw ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Producent podaje 256 ekspertów wybieranych przez mechanizm routingu, z których wybieranych jest ośmiu wraz z jednym ekspertem współdzielonym. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Całkowita i aktywowana liczba parametrów mają różne znaczenia; liczba aktywowanych parametrów nie jest pełnym rozmiarem checkpointu.
To odrębna edycja od gęstego Qwen3.5-27B, rzadkiego Qwen3.5-35B-A3B i późniejszych generacji modeli. Nie wyciągaj z samego rozmiaru wniosku o ogólnym rankingu wydajności lub opóźnień. Natywny kontekst wynosi 262,144 tokenów, a udokumentowane rozszerzenie po skonfigurowaniu sięga 1,010,000. Qwen zaleca zachowanie co najmniej 128K kontekstu, w miarę możliwości, dla złożonego rozumowania, uznając jednocześnie, że obciążenie pamięci może wymagać mniejszego okna.
Przygotowanie wspólnych dowodów tekstowych i wizualnych
Zachowaj etykiety diagramów, osie wykresów, nagłówki tabel i jednostki. Określ, czy wynik ma wyjaśniać zależność, wyodrębniać nazwane pola czy proponować kod. Gdy istotnych jest kilka źródeł, oznacz je i poproś o wynik uporządkowany według tych samych identyfikatorów. Oddziel widoczne fakty od założeń, aby osoba oceniająca mogła prześledzić powiązanie rozumowania z dostarczonym materiałem.
W poleceniu programistycznym wskaż zamierzone zachowanie, odpowiedni kod źródłowy i dane wejściowe ilustrujące problem. Poproś o edytowalną poprawkę z objaśnieniem warunków, na które wpływa zmiana, oraz sprawdzeń. W przypadku wideo zachowaj sekwencję zdarzeń i informacje o czasie oraz sprecyzuj pytanie, zamiast wymagać ogólnego streszczenia bez rozróżnień. Tekstowy wynik modelu jest roboczym artefaktem do oceny; możliwość przyjmowania materiałów wizualnych nie oznacza generowania obrazów, wideo ani mowy.
Rozumowanie i historia
Rozumowanie jest domyślnie włączone i poprzedza odpowiedź końcową. Ustawienie enable_thinking producenta pozwala je wyłączyć dla odpowiedzi bezpośrednich. Dawne miękkie przełączniki /think i /nothink nie są oficjalnie obsługiwane. Qwen3.5 zaleca zachowywanie odpowiedzi końcowych bez treści rozumowania w historycznych wiadomościach asystenta. Nie należy zastępować tego opcjami zachowywania historii z późniejszych generacji Qwen tylko dlatego, że mają wspólną nazwę rodziny.
Zadbaj, aby wynik końcowy był łatwy do znalezienia, na przykład jako zdefiniowane pole odpowiedzi, wartość z wyraźnymi separatorami lub osobny artefakt kodu. Odpowiedź bezpośrednia nadal wymaga sprawdzenia, a dłuższe rozumowanie jest przydatne tylko wtedy, gdy jego kroki uzasadniają weryfikowalny wniosek.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP, a także Qwen Code do pracy agentów programistycznych. Zdefiniuj dozwolone działania, dostępne dowody i kryteria zakończenia. Połączone narzędzia wykonują operacje i zwracają wyniki; model wykorzystuje te informacje zwrotne w analizie. Proponowane polecenie, zapytanie wyszukiwawcze lub poprawka powinny pozostać odrębne od działania rzeczywiście zakończonego przez aplikację.
Bardzo długi kontekst i wideo
Rozszerzenie producenta wykorzystuje YaRN z przeplatanymi ustawieniami pozycyjnymi checkpointu. Współczynnik cztery służy do pracy z kontekstem liczącym około miliona tokenów, a współczynnik dwa jest sugerowany dla zadań liczących 524,288 tokenów. Statyczne skalowanie może wpływać na wydajność przy krótszym tekście, dlatego powinno odpowiadać rzeczywistej potrzebie większego kontekstu. Dane wejściowe, reprezentowane materiały wizualne, historia, rozumowanie i odpowiedź końcowa wykorzystują skonfigurowany budżet sekwencji.
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. W przypadku materiałów o długości rzędu godzin producent zaleca zwiększenie budżetu procesora do około 224K tokenów wideo przy częstszym próbkowaniu. To instrukcja zależna od konfiguracji, a nie uniwersalna gwarancja długości mediów, kompletnego odtworzenia informacji lub precyzji znaczników czasu.
Zalecenia dotyczące generowania i istotne ograniczenia
Best Practices zalecają temperature 1.0, top_p 0.95, top_k 20, min_p 0, karę za obecność 1.5 i karę za powtórzenia 1.0 dla ogólnego rozumowania. Precyzyjne programowanie wykorzystuje temperature 0.6 i zerową karę za obecność. Ogólne odpowiedzi bezpośrednie wykorzystują temperature 0.7, top_p 0.8 i karę za obecność 1.5; top_k wynosi 20, min_p wynosi 0, a kara za powtórzenia 1.0. Rozumowanie z odpowiedzią bezpośrednią ma osobny zestaw ustawień: temperature 1.0, top_p 1.0, top_k 40 i karę za obecność 2.0. Wyższe kary za obecność mogą powodować mieszanie języków lub niewielki spadek jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych; nie są to osobno ustanowione twarde limity długości wyjścia. Zdefiniuj wymagany format, zachowaj identyfikatory źródeł i sprawdź obliczenia, wyodrębnione wartości oraz proponowany kod względem oryginalnych dowodów. Przydatny rezultat to kompletny artefakt tekstowy z widocznymi założeniami i materiałami uzasadniającymi.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.5-122b-a10b | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00058 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00458 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00058 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00458 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "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/qwen3.5-122b-a10b',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/qwen3.5-122b-a10b',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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Użyj ścieżek metod podanych powyżej.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B to model wizyjno-językowy Qwen z architekturą mieszaniny ekspertów, liczący łącznie 122 miliardy parametrów i aktywujący 10 miliardów. Przyjmuje tekst, obrazy i wideo do zadań rozumowania, programowania i pracy agentów, zwracając tekst z wybieralnym rozumowaniem oraz natywnym kontekstem 262,144 tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3.5: model z ekspertami 122B-A10B
Qwen3.5-122B-A10B to model wizyjno-językowy poddany dodatkowemu treningowi, przeznaczony do wspólnych zadań tekstowych i wizualnych. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst, w tym wyjaśnienia, propozycje kodu i zamówione artefakty dokumentowe. Rodzina powstaje dzięki wczesnej fuzji tekstu z obrazem oraz uczeniu ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, rozwijając rozumowanie, programowanie, agentów i rozumienie obrazu. Jej opis obejmuje 201 języków i dialektów, bez sugestii, że każdy język lub każda dziedzina cechują się identyczną niezawodnością.
Przydatne zadanie może łączyć specyfikację techniczną, diagramy i odpowiedni kod, wymagając od modelu objaśnienia komponentów i zwrócenia propozycji implementacji. Zadanie analizy dokumentów może wymagać porównania z odwołaniami do sekcji lub stron uzasadniających ustalenia.
Przegląd modelu
Checkpoint z rzadką architekturą mieszaniny ekspertów ma łącznie 122 miliardy parametrów i aktywuje dziesięć miliardów. Ma 48 warstw modelu językowego, z grupami trzech warstw ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Producent podaje 256 ekspertów wybieranych przez mechanizm routingu, z których wybieranych jest ośmiu wraz z jednym ekspertem współdzielonym. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Całkowita i aktywowana liczba parametrów mają różne znaczenia; liczba aktywowanych parametrów nie jest pełnym rozmiarem checkpointu.
To odrębna edycja od gęstego Qwen3.5-27B, rzadkiego Qwen3.5-35B-A3B i późniejszych generacji modeli. Nie wyciągaj z samego rozmiaru wniosku o ogólnym rankingu wydajności lub opóźnień. Natywny kontekst wynosi 262,144 tokenów, a udokumentowane rozszerzenie po skonfigurowaniu sięga 1,010,000. Qwen zaleca zachowanie co najmniej 128K kontekstu, w miarę możliwości, dla złożonego rozumowania, uznając jednocześnie, że obciążenie pamięci może wymagać mniejszego okna.
Przygotowanie wspólnych dowodów tekstowych i wizualnych
Zachowaj etykiety diagramów, osie wykresów, nagłówki tabel i jednostki. Określ, czy wynik ma wyjaśniać zależność, wyodrębniać nazwane pola czy proponować kod. Gdy istotnych jest kilka źródeł, oznacz je i poproś o wynik uporządkowany według tych samych identyfikatorów. Oddziel widoczne fakty od założeń, aby osoba oceniająca mogła prześledzić powiązanie rozumowania z dostarczonym materiałem.
W poleceniu programistycznym wskaż zamierzone zachowanie, odpowiedni kod źródłowy i dane wejściowe ilustrujące problem. Poproś o edytowalną poprawkę z objaśnieniem warunków, na które wpływa zmiana, oraz sprawdzeń. W przypadku wideo zachowaj sekwencję zdarzeń i informacje o czasie oraz sprecyzuj pytanie, zamiast wymagać ogólnego streszczenia bez rozróżnień. Tekstowy wynik modelu jest roboczym artefaktem do oceny; możliwość przyjmowania materiałów wizualnych nie oznacza generowania obrazów, wideo ani mowy.
Rozumowanie i historia
Rozumowanie jest domyślnie włączone i poprzedza odpowiedź końcową. Ustawienie enable_thinking producenta pozwala je wyłączyć dla odpowiedzi bezpośrednich. Dawne miękkie przełączniki /think i /nothink nie są oficjalnie obsługiwane. Qwen3.5 zaleca zachowywanie odpowiedzi końcowych bez treści rozumowania w historycznych wiadomościach asystenta. Nie należy zastępować tego opcjami zachowywania historii z późniejszych generacji Qwen tylko dlatego, że mają wspólną nazwę rodziny.
Zadbaj, aby wynik końcowy był łatwy do znalezienia, na przykład jako zdefiniowane pole odpowiedzi, wartość z wyraźnymi separatorami lub osobny artefakt kodu. Odpowiedź bezpośrednia nadal wymaga sprawdzenia, a dłuższe rozumowanie jest przydatne tylko wtedy, gdy jego kroki uzasadniają weryfikowalny wniosek.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP, a także Qwen Code do pracy agentów programistycznych. Zdefiniuj dozwolone działania, dostępne dowody i kryteria zakończenia. Połączone narzędzia wykonują operacje i zwracają wyniki; model wykorzystuje te informacje zwrotne w analizie. Proponowane polecenie, zapytanie wyszukiwawcze lub poprawka powinny pozostać odrębne od działania rzeczywiście zakończonego przez aplikację.
Bardzo długi kontekst i wideo
Rozszerzenie producenta wykorzystuje YaRN z przeplatanymi ustawieniami pozycyjnymi checkpointu. Współczynnik cztery służy do pracy z kontekstem liczącym około miliona tokenów, a współczynnik dwa jest sugerowany dla zadań liczących 524,288 tokenów. Statyczne skalowanie może wpływać na wydajność przy krótszym tekście, dlatego powinno odpowiadać rzeczywistej potrzebie większego kontekstu. Dane wejściowe, reprezentowane materiały wizualne, historia, rozumowanie i odpowiedź końcowa wykorzystują skonfigurowany budżet sekwencji.
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. W przypadku materiałów o długości rzędu godzin producent zaleca zwiększenie budżetu procesora do około 224K tokenów wideo przy częstszym próbkowaniu. To instrukcja zależna od konfiguracji, a nie uniwersalna gwarancja długości mediów, kompletnego odtworzenia informacji lub precyzji znaczników czasu.
Zalecenia dotyczące generowania i istotne ograniczenia
Best Practices zalecają temperature 1.0, top_p 0.95, top_k 20, min_p 0, karę za obecność 1.5 i karę za powtórzenia 1.0 dla ogólnego rozumowania. Precyzyjne programowanie wykorzystuje temperature 0.6 i zerową karę za obecność. Ogólne odpowiedzi bezpośrednie wykorzystują temperature 0.7, top_p 0.8 i karę za obecność 1.5; top_k wynosi 20, min_p wynosi 0, a kara za powtórzenia 1.0. Rozumowanie z odpowiedzią bezpośrednią ma osobny zestaw ustawień: temperature 1.0, top_p 1.0, top_k 40 i karę za obecność 2.0. Wyższe kary za obecność mogą powodować mieszanie języków lub niewielki spadek jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych; nie są to osobno ustanowione twarde limity długości wyjścia. Zdefiniuj wymagany format, zachowaj identyfikatory źródeł i sprawdź obliczenia, wyodrębnione wartości oraz proponowany kod względem oryginalnych dowodów. Przydatny rezultat to kompletny artefakt tekstowy z widocznymi założeniami i materiałami uzasadniającymi.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.5-122b-a10b | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00058 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00458 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00058 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00458 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-122b-a10b', '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/qwen3.5-122b-a10b', '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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.