Najważniejsze cechy Qwen3.5: rzadki checkpoint wizyjno-językowy
Qwen3.5-35B-A3B to model wizyjno-językowy poddany dodatkowemu treningowi, łączący rozumienie tekstu, obrazów i wideo z odpowiedziami tekstowymi. Rodzina jest trenowana z wykorzystaniem wczesnej fuzji tekstu z obrazem oraz uczenia ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, wspierając rozumowanie, programowanie, agentów i analizę wizualną. Opisuje również zakres 201 języków i dialektów. Ten zakres jest cechą rodziny, a nie obietnicą jednakowej jakości dla każdego języka lub zadania.
Ten konkretny otwarty checkpoint jest odrębny od Qwen3.5-35B-A3B-Base i późniejszego wydania Qwen3.6. Producent opisuje również zarządzaną ofertę Flash z dodatkowymi funkcjami; tych funkcji interfejsu nie należy automatycznie przypisywać otwartemu checkpointowi. Zachowaj zamówioną tożsamość 35B-A3B podczas porównywania wyników lub utrzymywania odtwarzalnego wyboru modelu.
Przegląd modelu
Model z architekturą mieszaniny ekspertów ma łącznie 35 miliardów parametrów i aktywuje trzy miliardy. Jego 40-warstwowy układ hybrydowy powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Ma 256 ekspertów wybieranych przez mechanizm routingu; w udokumentowanym układzie aktywnych jest ośmiu takich ekspertów i jeden ekspert współdzielony. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Liczba aktywowanych parametrów nie opisuje pełnego rozmiaru checkpointu, a sama architektura nie gwarantuje opóźnienia w konkretnej aplikacji.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Qwen zaleca zachowanie co najmniej 128K kontekstu, w miarę możliwości, dla złożonych zadań wymagających rozumowania, nawet jeśli mniejsze okno zmniejszyłoby obciążenie pamięci. Tekst, reprezentowany materiał wizualny, historia, rozumowanie i odpowiedź końcowa wymagają miejsca w skonfigurowanej sekwencji.
Korzystanie z danych wejściowych i trybów odpowiedzi
W poleceniu programistycznym opartym na zrzucie ekranu dostarcz wzorzec wizualny, kontekst istniejącego kodu źródłowego, wymagania dotyczące interakcji i oczekiwany edytowalny artefakt. W przypadku wykresu lub dokumentu zachowaj etykiety i jednostki oraz poproś o tabelę wartości wraz z dowodami potwierdzającymi. W wyjaśnieniu wielojęzycznym określ język docelowy i terminy, które należy zachować.
Rozumowanie jest domyślnie włączone i tworzy blok rozumowania przed odpowiedzią końcową. Mechanizm enable_thinking producenta pozwala je wyłączyć, aby uzyskać odpowiedź bezpośrednią. Qwen3.5 nie obsługuje oficjalnie dawnych miękkich przełączników /think i /nothink w poleceniu. Zgodnie z zaleceniami dotyczącymi historii zachowuje się odpowiedzi końcowe bez treści rozumowania. Powinno to pozostać odrębne od późniejszych opcji zachowywania w Qwen3.6 lub domyślnego przechowywania historycznego rozumowania w Qwen3.8.
Zastosowania agentowe
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP, a także Qwen Code do pracy z repozytoriami. Zdefiniuj dozwolone operacje, odpowiednie dowody i końcowy rezultat. Aplikacja wykonuje narzędzia i dostarcza ich obserwacje; model może wykorzystać te informacje zwrotne do skorygowania analizy. Zaplanowane polecenie lub wygenerowana poprawka nie jest wykonanym działaniem, a sama nazwa modelu nie ustanawia dostępu do bieżących informacji ani plików.
Bardzo długi kontekst
Instrukcja rozszerzania producenta wykorzystuje YaRN z przeplatanymi ustawieniami pozycyjnymi checkpointu. Współczynnik cztery służy do pracy z kontekstem liczącym około miliona tokenów; współczynnik dwa jest sugerowany dla zadań liczących 524,288 tokenów. Statyczne skalowanie może obniżać wydajność przy krótszym tekście, dlatego należy je konfigurować, gdy potrzebny jest większy kontekst. Porządkuj długie materiały za pomocą granic dokumentów, identyfikatorów kodu i jednoznacznego pytania, zamiast zapełniać okno niepowiązanymi dowodami.
Zalecenia dotyczące generowania
W Best Practices ogólne rozumowanie wykorzystuje temperature 1.0, top_p 0.95, top_k 20, min_p 0, karę za obecność 1.5 i karę za powtórzenia 1.0. 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. Dla rozumowania w trybie bezpośrednim Best Practices podają temperature 1.0, top_p 1.0, top_k 40 i karę za obecność 2.0. Rozdzielaj te zestawy ustawień dopasowane do zadań; wyższe kary za obecność mogą powodować mieszanie języków lub niewielki spadek jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości pytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Nie są to osobno ustanowione twarde limity długości wyjścia. Wyraźnie zdefiniuj postać odpowiedzi końcowej i sprawdź obliczenia lub wygenerowany kod względem dostarczonych warunków.
Wideo i istotne ograniczenia
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. Zalecenia producenta dotyczące wideo o długości rzędu godzin zwiększają budżet procesora do około 224K tokenów wideo przy częstszym próbkowaniu. Wymaga to konfiguracji i zużywa kontekst obok zadania i odpowiedzi; nie jest bezwarunkową gwarancją długości ani idealnego odtworzenia zdarzeń. Zachowaj istotne przejścia między scenami i drobny tekst oraz poproś o wynik powiązany z widocznymi dowodami. Praktyczną wartość stanowią wspólny zakres zadań tekstowych i wizualnych checkpointu oraz wybieralny tryb odpowiedzi, wraz z konkretnym artefaktem, który można ocenić.
", "aboutText": "Najważniejsze cechy Qwen3.5: rzadki checkpoint wizyjno-językowy\n\nQwen3.5-35B-A3B to model wizyjno-językowy poddany dodatkowemu treningowi, łączący rozumienie tekstu, obrazów i wideo z odpowiedziami tekstowymi. Rodzina jest trenowana z wykorzystaniem wczesnej fuzji tekstu z obrazem oraz uczenia ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, wspierając rozumowanie, programowanie, agentów i analizę wizualną. Opisuje również zakres 201 języków i dialektów. Ten zakres jest cechą rodziny, a nie obietnicą jednakowej jakości dla każdego języka lub zadania.\n\nTen konkretny otwarty checkpoint jest odrębny od Qwen3.5-35B-A3B-Base i późniejszego wydania Qwen3.6. Producent opisuje również zarządzaną ofertę Flash z dodatkowymi funkcjami; tych funkcji interfejsu nie należy automatycznie przypisywać otwartemu checkpointowi. Zachowaj zamówioną tożsamość 35B-A3B podczas porównywania wyników lub utrzymywania odtwarzalnego wyboru modelu.\n\nPrzegląd modelu\n\nModel z architekturą mieszaniny ekspertów ma łącznie 35 miliardów parametrów i aktywuje trzy miliardy. Jego 40-warstwowy układ hybrydowy powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Ma 256 ekspertów wybieranych przez mechanizm routingu; w udokumentowanym układzie aktywnych jest ośmiu takich ekspertów i jeden ekspert współdzielony. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Liczba aktywowanych parametrów nie opisuje pełnego rozmiaru checkpointu, a sama architektura nie gwarantuje opóźnienia w konkretnej aplikacji.\n\nNatywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Qwen zaleca zachowanie co najmniej 128K kontekstu, w miarę możliwości, dla złożonych zadań wymagających rozumowania, nawet jeśli mniejsze okno zmniejszyłoby obciążenie pamięci. Tekst, reprezentowany materiał wizualny, historia, rozumowanie i odpowiedź końcowa wymagają miejsca w skonfigurowanej sekwencji.\n\nKorzystanie z danych wejściowych i trybów odpowiedzi\n\nW poleceniu programistycznym opartym na zrzucie ekranu dostarcz wzorzec wizualny, kontekst istniejącego kodu źródłowego, wymagania dotyczące interakcji i oczekiwany edytowalny artefakt. W przypadku wykresu lub dokumentu zachowaj etykiety i jednostki oraz poproś o tabelę wartości wraz z dowodami potwierdzającymi. W wyjaśnieniu wielojęzycznym określ język docelowy i terminy, które należy zachować.\n\nRozumowanie jest domyślnie włączone i tworzy blok rozumowania przed odpowiedzią końcową. Mechanizm enable_thinking producenta pozwala je wyłączyć, aby uzyskać odpowiedź bezpośrednią. Qwen3.5 nie obsługuje oficjalnie dawnych miękkich przełączników /think i /nothink w poleceniu. Zgodnie z zaleceniami dotyczącymi historii zachowuje się odpowiedzi końcowe bez treści rozumowania. Powinno to pozostać odrębne od późniejszych opcji zachowywania w Qwen3.6 lub domyślnego przechowywania historycznego rozumowania w Qwen3.8.\n\nZastosowania agentowe\n\nProducent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP, a także Qwen Code do pracy z repozytoriami. Zdefiniuj dozwolone operacje, odpowiednie dowody i końcowy rezultat. Aplikacja wykonuje narzędzia i dostarcza ich obserwacje; model może wykorzystać te informacje zwrotne do skorygowania analizy. Zaplanowane polecenie lub wygenerowana poprawka nie jest wykonanym działaniem, a sama nazwa modelu nie ustanawia dostępu do bieżących informacji ani plików.\n\nBardzo długi kontekst\n\nInstrukcja rozszerzania producenta wykorzystuje YaRN z przeplatanymi ustawieniami pozycyjnymi checkpointu. Współczynnik cztery służy do pracy z kontekstem liczącym około miliona tokenów; współczynnik dwa jest sugerowany dla zadań liczących 524,288 tokenów. Statyczne skalowanie może obniżać wydajność przy krótszym tekście, dlatego należy je konfigurować, gdy potrzebny jest większy kontekst. Porządkuj długie materiały za pomocą granic dokumentów, identyfikatorów kodu i jednoznacznego pytania, zamiast zapełniać okno niepowiązanymi dowodami.\n\nZalecenia dotyczące generowania\n\nW Best Practices ogólne rozumowanie wykorzystuje temperature 1.0, top_p 0.95, top_k 20, min_p 0, karę za obecność 1.5 i karę za powtórzenia 1.0. 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. Dla rozumowania w trybie bezpośrednim Best Practices podają temperature 1.0, top_p 1.0, top_k 40 i karę za obecność 2.0. Rozdzielaj te zestawy ustawień dopasowane do zadań; wyższe kary za obecność mogą powodować mieszanie języków lub niewielki spadek jakości.\n\nZalecane limity generowania wynoszą 32,768 tokenów dla większości pytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Nie są to osobno ustanowione twarde limity długości wyjścia. Wyraźnie zdefiniuj postać odpowiedzi końcowej i sprawdź obliczenia lub wygenerowany kod względem dostarczonych warunków.\n\nWideo i istotne ograniczenia\n\nObsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. Zalecenia producenta dotyczące wideo o długości rzędu godzin zwiększają budżet procesora do około 224K tokenów wideo przy częstszym próbkowaniu. Wymaga to konfiguracji i zużywa kontekst obok zadania i odpowiedzi; nie jest bezwarunkową gwarancją długości ani idealnego odtworzenia zdarzeń. Zachowaj istotne przejścia między scenami i drobny tekst oraz poproś o wynik powiązany z widocznymi dowodami. Praktyczną wartość stanowią wspólny zakres zadań tekstowych i wizualnych checkpointu oraz wybieralny tryb odpowiedzi, wraz z konkretnym artefaktem, który można ocenić.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B to model wizyjno-językowy Qwen z architekturą mieszaniny ekspertów, liczący łącznie 35 miliardów parametrów i aktywujący 3 miliardy. Przyjmuje tekst, obrazy i wideo do rozumowania, programowania i pracy wspomaganej narzędziami, z trybami rozumowania i odpowiedzi bezpośrednich 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: rzadki checkpoint wizyjno-językowy
Qwen3.5-35B-A3B to model wizyjno-językowy poddany dodatkowemu treningowi, łączący rozumienie tekstu, obrazów i wideo z odpowiedziami tekstowymi. Rodzina jest trenowana z wykorzystaniem wczesnej fuzji tekstu z obrazem oraz uczenia ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, wspierając rozumowanie, programowanie, agentów i analizę wizualną. Opisuje również zakres 201 języków i dialektów. Ten zakres jest cechą rodziny, a nie obietnicą jednakowej jakości dla każdego języka lub zadania.
Ten konkretny otwarty checkpoint jest odrębny od Qwen3.5-35B-A3B-Base i późniejszego wydania Qwen3.6. Producent opisuje również zarządzaną ofertę Flash z dodatkowymi funkcjami; tych funkcji interfejsu nie należy automatycznie przypisywać otwartemu checkpointowi. Zachowaj zamówioną tożsamość 35B-A3B podczas porównywania wyników lub utrzymywania odtwarzalnego wyboru modelu.
Przegląd modelu
Model z architekturą mieszaniny ekspertów ma łącznie 35 miliardów parametrów i aktywuje trzy miliardy. Jego 40-warstwowy układ hybrydowy powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Ma 256 ekspertów wybieranych przez mechanizm routingu; w udokumentowanym układzie aktywnych jest ośmiu takich ekspertów i jeden ekspert współdzielony. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Liczba aktywowanych parametrów nie opisuje pełnego rozmiaru checkpointu, a sama architektura nie gwarantuje opóźnienia w konkretnej aplikacji.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Qwen zaleca zachowanie co najmniej 128K kontekstu, w miarę możliwości, dla złożonych zadań wymagających rozumowania, nawet jeśli mniejsze okno zmniejszyłoby obciążenie pamięci. Tekst, reprezentowany materiał wizualny, historia, rozumowanie i odpowiedź końcowa wymagają miejsca w skonfigurowanej sekwencji.
Korzystanie z danych wejściowych i trybów odpowiedzi
W poleceniu programistycznym opartym na zrzucie ekranu dostarcz wzorzec wizualny, kontekst istniejącego kodu źródłowego, wymagania dotyczące interakcji i oczekiwany edytowalny artefakt. W przypadku wykresu lub dokumentu zachowaj etykiety i jednostki oraz poproś o tabelę wartości wraz z dowodami potwierdzającymi. W wyjaśnieniu wielojęzycznym określ język docelowy i terminy, które należy zachować.
Rozumowanie jest domyślnie włączone i tworzy blok rozumowania przed odpowiedzią końcową. Mechanizm enable_thinking producenta pozwala je wyłączyć, aby uzyskać odpowiedź bezpośrednią. Qwen3.5 nie obsługuje oficjalnie dawnych miękkich przełączników /think i /nothink w poleceniu. Zgodnie z zaleceniami dotyczącymi historii zachowuje się odpowiedzi końcowe bez treści rozumowania. Powinno to pozostać odrębne od późniejszych opcji zachowywania w Qwen3.6 lub domyślnego przechowywania historycznego rozumowania w Qwen3.8.
Zastosowania agentowe
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP, a także Qwen Code do pracy z repozytoriami. Zdefiniuj dozwolone operacje, odpowiednie dowody i końcowy rezultat. Aplikacja wykonuje narzędzia i dostarcza ich obserwacje; model może wykorzystać te informacje zwrotne do skorygowania analizy. Zaplanowane polecenie lub wygenerowana poprawka nie jest wykonanym działaniem, a sama nazwa modelu nie ustanawia dostępu do bieżących informacji ani plików.
Bardzo długi kontekst
Instrukcja rozszerzania producenta wykorzystuje YaRN z przeplatanymi ustawieniami pozycyjnymi checkpointu. Współczynnik cztery służy do pracy z kontekstem liczącym około miliona tokenów; współczynnik dwa jest sugerowany dla zadań liczących 524,288 tokenów. Statyczne skalowanie może obniżać wydajność przy krótszym tekście, dlatego należy je konfigurować, gdy potrzebny jest większy kontekst. Porządkuj długie materiały za pomocą granic dokumentów, identyfikatorów kodu i jednoznacznego pytania, zamiast zapełniać okno niepowiązanymi dowodami.
Zalecenia dotyczące generowania
W Best Practices ogólne rozumowanie wykorzystuje temperature 1.0, top_p 0.95, top_k 20, min_p 0, karę za obecność 1.5 i karę za powtórzenia 1.0. 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. Dla rozumowania w trybie bezpośrednim Best Practices podają temperature 1.0, top_p 1.0, top_k 40 i karę za obecność 2.0. Rozdzielaj te zestawy ustawień dopasowane do zadań; wyższe kary za obecność mogą powodować mieszanie języków lub niewielki spadek jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości pytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Nie są to osobno ustanowione twarde limity długości wyjścia. Wyraźnie zdefiniuj postać odpowiedzi końcowej i sprawdź obliczenia lub wygenerowany kod względem dostarczonych warunków.
Wideo i istotne ograniczenia
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. Zalecenia producenta dotyczące wideo o długości rzędu godzin zwiększają budżet procesora do około 224K tokenów wideo przy częstszym próbkowaniu. Wymaga to konfiguracji i zużywa kontekst obok zadania i odpowiedzi; nie jest bezwarunkową gwarancją długości ani idealnego odtworzenia zdarzeń. Zachowaj istotne przejścia między scenami i drobny tekst oraz poproś o wynik powiązany z widocznymi dowodami. Praktyczną wartość stanowią wspólny zakres zadań tekstowych i wizualnych checkpointu oraz wybieralny tryb odpowiedzi, wraz z konkretnym artefaktem, który można ocenić.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00366 / 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 $0.00046 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00366 / 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/qwen3.5-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.5-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.5-35b-a3b
Użyj ścieżek metod podanych powyżej.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B to model wizyjno-językowy Qwen z architekturą mieszaniny ekspertów, liczący łącznie 35 miliardów parametrów i aktywujący 3 miliardy. Przyjmuje tekst, obrazy i wideo do rozumowania, programowania i pracy wspomaganej narzędziami, z trybami rozumowania i odpowiedzi bezpośrednich 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: rzadki checkpoint wizyjno-językowy
Qwen3.5-35B-A3B to model wizyjno-językowy poddany dodatkowemu treningowi, łączący rozumienie tekstu, obrazów i wideo z odpowiedziami tekstowymi. Rodzina jest trenowana z wykorzystaniem wczesnej fuzji tekstu z obrazem oraz uczenia ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, wspierając rozumowanie, programowanie, agentów i analizę wizualną. Opisuje również zakres 201 języków i dialektów. Ten zakres jest cechą rodziny, a nie obietnicą jednakowej jakości dla każdego języka lub zadania.
Ten konkretny otwarty checkpoint jest odrębny od Qwen3.5-35B-A3B-Base i późniejszego wydania Qwen3.6. Producent opisuje również zarządzaną ofertę Flash z dodatkowymi funkcjami; tych funkcji interfejsu nie należy automatycznie przypisywać otwartemu checkpointowi. Zachowaj zamówioną tożsamość 35B-A3B podczas porównywania wyników lub utrzymywania odtwarzalnego wyboru modelu.
Przegląd modelu
Model z architekturą mieszaniny ekspertów ma łącznie 35 miliardów parametrów i aktywuje trzy miliardy. Jego 40-warstwowy układ hybrydowy powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Ma 256 ekspertów wybieranych przez mechanizm routingu; w udokumentowanym układzie aktywnych jest ośmiu takich ekspertów i jeden ekspert współdzielony. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Liczba aktywowanych parametrów nie opisuje pełnego rozmiaru checkpointu, a sama architektura nie gwarantuje opóźnienia w konkretnej aplikacji.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Qwen zaleca zachowanie co najmniej 128K kontekstu, w miarę możliwości, dla złożonych zadań wymagających rozumowania, nawet jeśli mniejsze okno zmniejszyłoby obciążenie pamięci. Tekst, reprezentowany materiał wizualny, historia, rozumowanie i odpowiedź końcowa wymagają miejsca w skonfigurowanej sekwencji.
Korzystanie z danych wejściowych i trybów odpowiedzi
W poleceniu programistycznym opartym na zrzucie ekranu dostarcz wzorzec wizualny, kontekst istniejącego kodu źródłowego, wymagania dotyczące interakcji i oczekiwany edytowalny artefakt. W przypadku wykresu lub dokumentu zachowaj etykiety i jednostki oraz poproś o tabelę wartości wraz z dowodami potwierdzającymi. W wyjaśnieniu wielojęzycznym określ język docelowy i terminy, które należy zachować.
Rozumowanie jest domyślnie włączone i tworzy blok rozumowania przed odpowiedzią końcową. Mechanizm enable_thinking producenta pozwala je wyłączyć, aby uzyskać odpowiedź bezpośrednią. Qwen3.5 nie obsługuje oficjalnie dawnych miękkich przełączników /think i /nothink w poleceniu. Zgodnie z zaleceniami dotyczącymi historii zachowuje się odpowiedzi końcowe bez treści rozumowania. Powinno to pozostać odrębne od późniejszych opcji zachowywania w Qwen3.6 lub domyślnego przechowywania historycznego rozumowania w Qwen3.8.
Zastosowania agentowe
Producent dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP, a także Qwen Code do pracy z repozytoriami. Zdefiniuj dozwolone operacje, odpowiednie dowody i końcowy rezultat. Aplikacja wykonuje narzędzia i dostarcza ich obserwacje; model może wykorzystać te informacje zwrotne do skorygowania analizy. Zaplanowane polecenie lub wygenerowana poprawka nie jest wykonanym działaniem, a sama nazwa modelu nie ustanawia dostępu do bieżących informacji ani plików.
Bardzo długi kontekst
Instrukcja rozszerzania producenta wykorzystuje YaRN z przeplatanymi ustawieniami pozycyjnymi checkpointu. Współczynnik cztery służy do pracy z kontekstem liczącym około miliona tokenów; współczynnik dwa jest sugerowany dla zadań liczących 524,288 tokenów. Statyczne skalowanie może obniżać wydajność przy krótszym tekście, dlatego należy je konfigurować, gdy potrzebny jest większy kontekst. Porządkuj długie materiały za pomocą granic dokumentów, identyfikatorów kodu i jednoznacznego pytania, zamiast zapełniać okno niepowiązanymi dowodami.
Zalecenia dotyczące generowania
W Best Practices ogólne rozumowanie wykorzystuje temperature 1.0, top_p 0.95, top_k 20, min_p 0, karę za obecność 1.5 i karę za powtórzenia 1.0. 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. Dla rozumowania w trybie bezpośrednim Best Practices podają temperature 1.0, top_p 1.0, top_k 40 i karę za obecność 2.0. Rozdzielaj te zestawy ustawień dopasowane do zadań; wyższe kary za obecność mogą powodować mieszanie języków lub niewielki spadek jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości pytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Nie są to osobno ustanowione twarde limity długości wyjścia. Wyraźnie zdefiniuj postać odpowiedzi końcowej i sprawdź obliczenia lub wygenerowany kod względem dostarczonych warunków.
Wideo i istotne ograniczenia
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. Zalecenia producenta dotyczące wideo o długości rzędu godzin zwiększają budżet procesora do około 224K tokenów wideo przy częstszym próbkowaniu. Wymaga to konfiguracji i zużywa kontekst obok zadania i odpowiedzi; nie jest bezwarunkową gwarancją długości ani idealnego odtworzenia zdarzeń. Zachowaj istotne przejścia między scenami i drobny tekst oraz poproś o wynik powiązany z widocznymi dowodami. Praktyczną wartość stanowią wspólny zakres zadań tekstowych i wizualnych checkpointu oraz wybieralny tryb odpowiedzi, wraz z konkretnym artefaktem, który można ocenić.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00366 / 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 $0.00046 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00366 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.5-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.5-35b-a3b
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.