Najważniejsze cechy Qwen3.5: checkpoint 397B-A17B
Qwen3.5-397B-A17B to model wizyjno-językowy z architekturą mieszaniny ekspertów z rodziny Qwen3.5, poddany dodatkowemu treningowi. Przyjmuje tekst, obrazy i wideo oraz generuje tekst: wyjaśnienia, propozycje kodu, analizy i zamówione artefakty dokumentowe. Rodzina wykorzystuje wczesną fuzję tekstu z obrazem oraz uczenie ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, aby rozwijać rozumowanie, programowanie, agentów i rozumienie obrazu. Jej udokumentowany zakres językowy obejmuje 201 języków i dialektów, co nie oznacza obietnicy identycznej niezawodności dla każdego języka lub dziedziny specjalistycznej.
Producent osobno opisuje zarządzany model Qwen3.5-Plus jako odpowiadającą mu ofertę z dodatkowymi funkcjami produkcyjnymi. Zachowaj tożsamość, kontekst i instrukcję generowania tego otwartego checkpointu, zamiast przenosić wszystkie funkcje wersji zarządzanej lub późniejsze mechanizmy sterowania Qwen. Konkretna edycja 397B-A17B pozostaje odrębna od mniejszych modeli gęstych i modeli z ekspertami w tej samej rodzinie.
Przegląd modelu
Model ma łącznie 397 miliardów parametrów i aktywuje 17 miliardów. Jego 60-warstwowy układ hybrydowy powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Producent podaje 512 ekspertów wybieranych przez mechanizm routingu, z których wybieranych jest dziesięciu wraz z jednym ekspertem współdzielonym. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Łączna liczba parametrów, liczba aktywowanych parametrów i rozmiar pamięci masowej potrzebnej na kompletny checkpoint to różne pojęcia; te liczby nie ustanawiają stałego czasu odpowiedzi.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Tekst, reprezentowane obrazy lub wideo, historia rozmowy, rozumowanie i odpowiedź końcowa współdzielą skonfigurowany limit sekwencji. W zadaniu wykorzystuj faktycznie skonfigurowany budżet, zamiast zakładać, że największy dokument i najdłuższa odpowiedź automatycznie zmieszczą się razem.
Przygotowanie dowodów tekstowych i wizualnych
W projekcie technicznym dostarcz specyfikację, odpowiedni kod i diagramy oraz zdefiniuj artefakt do utworzenia. Poproś o propozycję implementacji uporządkowaną według zmienianych komponentów i uzasadnioną dostarczonymi wymaganiami. W porównaniu dokumentów zachowaj identyfikatory sekcji, etykiety tabel i jednostki oraz poproś o tabelę ustaleń z dowodami dla każdego wiersza. W raporcie wielojęzycznym określ język docelowy i terminy, które mają pozostać bez zmian.
W pytaniu o obraz zachowaj drobne etykiety i podaj definicje nieobecne na ilustracji. W pytaniu o wideo wskaż istotne zdarzenie oraz zachowaj kolejność klatek i informacje o czasie. Porównaj zwrócone szczegóły wizualne, cytaty i opisy zdarzeń z oryginalnymi obrazami, fragmentami i znacznikami czasu. Wynikiem pozostaje analiza tekstowa lub kod; wizualne dane wejściowe modelu nie oznaczają generowania obrazów, wideo ani mowy.
Rozumowanie i historia rozmowy
Rozumowanie jest domyślnie włączone i poprzedza odpowiedź końcową. Ustawienie enable_thinking producenta pozwala je wyłączyć, aby uzyskać odpowiedź bezpośrednią. Starsze miękkie przełączniki /think i /nothink w poleceniu nie są oficjalnie obsługiwane przez Qwen3.5. Zadbaj, aby końcowy artefakt był łatwy do znalezienia po rozumowaniu, na przykład jako wniosek z wyraźnymi separatorami, tabela dowodów lub osobna propozycja kodu.
Karta zaleca zachowywanie odpowiedzi końcowych bez treści rozumowania w historycznych wiadomościach asystenta. Różni się to od opcji zachowywania historycznego rozumowania i ustawień domyślnych wprowadzonych w późniejszych wydaniach. Stosuj szablon tego konkretnego checkpointu i zachowuj powiązanie poprawek lub obserwacji narzędzi z zadaniem, które aktualizują.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP oraz Qwen Code do przepływów pracy agentów programistycznych. Określ dozwolone operacje, dostępne dowody i obserwowalne kryteria zakończenia. Aplikacja wykonuje narzędzia i dostarcza ich wyniki; model może wykorzystać te obserwacje do skorygowania planu lub wyjaśnienia. Proponowane polecenie lub poprawka pozostają odrębne od działania rzeczywiście zakończonego w środowisku.
Bardzo długi tekst i wideo
Rozszerzenie producenta wykorzystuje YaRN z własnymi 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 wpływać na wydajność przy krótszym tekście, dlatego powinno odpowiadać rzeczywistej potrzebie większego kontekstu. Uporządkuj długie dane wejściowe według identyfikatorów dokumentów, stron lub kodu i pozostaw miejsce na wynik.
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. W przypadku materiałów o długości rzędu godzin producent zaleca większy budżet procesora, odpowiadający 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
Sekcja Best Practices tego checkpointu zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0 dla rozumowania oraz temperature 0.7, top_p 0.8, top_k 20 i min_p 0 dla odpowiedzi bezpośrednich. Te dokładne zalecenia różnią się od zaleceń dla niektórych mniejszych edycji Qwen3.5. Tam, gdzie jest obsługiwana, kara za obecność w przedziale od zera do dwóch może ograniczać powtórzenia, lecz wyższe wartości mogą prowadzić do mieszania języków lub niewielkiego spadku jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie niezależne twarde limity długości wyjścia. Określ wymagany format odpowiedzi i sprawdź obliczenia, wyodrębnione szczegóły i proponowany kod względem źródła. Użyteczny wynik to konkretny artefakt tekstowy, którego dowody i założenia można poddać ocenie.
", "aboutText": "Najważniejsze cechy Qwen3.5: checkpoint 397B-A17B\n\nQwen3.5-397B-A17B to model wizyjno-językowy z architekturą mieszaniny ekspertów z rodziny Qwen3.5, poddany dodatkowemu treningowi. Przyjmuje tekst, obrazy i wideo oraz generuje tekst: wyjaśnienia, propozycje kodu, analizy i zamówione artefakty dokumentowe. Rodzina wykorzystuje wczesną fuzję tekstu z obrazem oraz uczenie ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, aby rozwijać rozumowanie, programowanie, agentów i rozumienie obrazu. Jej udokumentowany zakres językowy obejmuje 201 języków i dialektów, co nie oznacza obietnicy identycznej niezawodności dla każdego języka lub dziedziny specjalistycznej.\n\nProducent osobno opisuje zarządzany model Qwen3.5-Plus jako odpowiadającą mu ofertę z dodatkowymi funkcjami produkcyjnymi. Zachowaj tożsamość, kontekst i instrukcję generowania tego otwartego checkpointu, zamiast przenosić wszystkie funkcje wersji zarządzanej lub późniejsze mechanizmy sterowania Qwen. Konkretna edycja 397B-A17B pozostaje odrębna od mniejszych modeli gęstych i modeli z ekspertami w tej samej rodzinie.\n\nPrzegląd modelu\n\nModel ma łącznie 397 miliardów parametrów i aktywuje 17 miliardów. Jego 60-warstwowy układ hybrydowy powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Producent podaje 512 ekspertów wybieranych przez mechanizm routingu, z których wybieranych jest dziesięciu wraz z jednym ekspertem współdzielonym. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Łączna liczba parametrów, liczba aktywowanych parametrów i rozmiar pamięci masowej potrzebnej na kompletny checkpoint to różne pojęcia; te liczby nie ustanawiają stałego czasu odpowiedzi.\n\nNatywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Tekst, reprezentowane obrazy lub wideo, historia rozmowy, rozumowanie i odpowiedź końcowa współdzielą skonfigurowany limit sekwencji. W zadaniu wykorzystuj faktycznie skonfigurowany budżet, zamiast zakładać, że największy dokument i najdłuższa odpowiedź automatycznie zmieszczą się razem.\n\nPrzygotowanie dowodów tekstowych i wizualnych\n\nW projekcie technicznym dostarcz specyfikację, odpowiedni kod i diagramy oraz zdefiniuj artefakt do utworzenia. Poproś o propozycję implementacji uporządkowaną według zmienianych komponentów i uzasadnioną dostarczonymi wymaganiami. W porównaniu dokumentów zachowaj identyfikatory sekcji, etykiety tabel i jednostki oraz poproś o tabelę ustaleń z dowodami dla każdego wiersza. W raporcie wielojęzycznym określ język docelowy i terminy, które mają pozostać bez zmian.\n\nW pytaniu o obraz zachowaj drobne etykiety i podaj definicje nieobecne na ilustracji. W pytaniu o wideo wskaż istotne zdarzenie oraz zachowaj kolejność klatek i informacje o czasie. Porównaj zwrócone szczegóły wizualne, cytaty i opisy zdarzeń z oryginalnymi obrazami, fragmentami i znacznikami czasu. Wynikiem pozostaje analiza tekstowa lub kod; wizualne dane wejściowe modelu nie oznaczają generowania obrazów, wideo ani mowy.\n\nRozumowanie i historia rozmowy\n\nRozumowanie jest domyślnie włączone i poprzedza odpowiedź końcową. Ustawienie enable_thinking producenta pozwala je wyłączyć, aby uzyskać odpowiedź bezpośrednią. Starsze miękkie przełączniki /think i /nothink w poleceniu nie są oficjalnie obsługiwane przez Qwen3.5. Zadbaj, aby końcowy artefakt był łatwy do znalezienia po rozumowaniu, na przykład jako wniosek z wyraźnymi separatorami, tabela dowodów lub osobna propozycja kodu.\n\nKarta zaleca zachowywanie odpowiedzi końcowych bez treści rozumowania w historycznych wiadomościach asystenta. Różni się to od opcji zachowywania historycznego rozumowania i ustawień domyślnych wprowadzonych w późniejszych wydaniach. Stosuj szablon tego konkretnego checkpointu i zachowuj powiązanie poprawek lub obserwacji narzędzi z zadaniem, które aktualizują.\n\nZastosowania agentowe\n\nQwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP oraz Qwen Code do przepływów pracy agentów programistycznych. Określ dozwolone operacje, dostępne dowody i obserwowalne kryteria zakończenia. Aplikacja wykonuje narzędzia i dostarcza ich wyniki; model może wykorzystać te obserwacje do skorygowania planu lub wyjaśnienia. Proponowane polecenie lub poprawka pozostają odrębne od działania rzeczywiście zakończonego w środowisku.\n\nBardzo długi tekst i wideo\n\nRozszerzenie producenta wykorzystuje YaRN z własnymi 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 wpływać na wydajność przy krótszym tekście, dlatego powinno odpowiadać rzeczywistej potrzebie większego kontekstu. Uporządkuj długie dane wejściowe według identyfikatorów dokumentów, stron lub kodu i pozostaw miejsce na wynik.\n\nObsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. W przypadku materiałów o długości rzędu godzin producent zaleca większy budżet procesora, odpowiadający 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\nSekcja Best Practices tego checkpointu zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0 dla rozumowania oraz temperature 0.7, top_p 0.8, top_k 20 i min_p 0 dla odpowiedzi bezpośrednich. Te dokładne zalecenia różnią się od zaleceń dla niektórych mniejszych edycji Qwen3.5. Tam, gdzie jest obsługiwana, kara za obecność w przedziale od zera do dwóch może ograniczać powtórzenia, lecz wyższe wartości mogą prowadzić do mieszania języków lub niewielkiego spadku jakości.\n\nZalecane limity generowania wynoszą 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie niezależne twarde limity długości wyjścia. Określ wymagany format odpowiedzi i sprawdź obliczenia, wyodrębnione szczegóły i proponowany kod względem źródła. Użyteczny wynik to konkretny artefakt tekstowy, którego dowody i założenia można poddać ocenie.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B to model wizyjno-językowy Qwen z architekturą mieszaniny ekspertów, liczący łącznie 397 miliardów parametrów i aktywujący 17 miliardów. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst do zadań rozumowania, programowania i pracy agentów, 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: checkpoint 397B-A17B
Qwen3.5-397B-A17B to model wizyjno-językowy z architekturą mieszaniny ekspertów z rodziny Qwen3.5, poddany dodatkowemu treningowi. Przyjmuje tekst, obrazy i wideo oraz generuje tekst: wyjaśnienia, propozycje kodu, analizy i zamówione artefakty dokumentowe. Rodzina wykorzystuje wczesną fuzję tekstu z obrazem oraz uczenie ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, aby rozwijać rozumowanie, programowanie, agentów i rozumienie obrazu. Jej udokumentowany zakres językowy obejmuje 201 języków i dialektów, co nie oznacza obietnicy identycznej niezawodności dla każdego języka lub dziedziny specjalistycznej.
Producent osobno opisuje zarządzany model Qwen3.5-Plus jako odpowiadającą mu ofertę z dodatkowymi funkcjami produkcyjnymi. Zachowaj tożsamość, kontekst i instrukcję generowania tego otwartego checkpointu, zamiast przenosić wszystkie funkcje wersji zarządzanej lub późniejsze mechanizmy sterowania Qwen. Konkretna edycja 397B-A17B pozostaje odrębna od mniejszych modeli gęstych i modeli z ekspertami w tej samej rodzinie.
Przegląd modelu
Model ma łącznie 397 miliardów parametrów i aktywuje 17 miliardów. Jego 60-warstwowy układ hybrydowy powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Producent podaje 512 ekspertów wybieranych przez mechanizm routingu, z których wybieranych jest dziesięciu wraz z jednym ekspertem współdzielonym. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Łączna liczba parametrów, liczba aktywowanych parametrów i rozmiar pamięci masowej potrzebnej na kompletny checkpoint to różne pojęcia; te liczby nie ustanawiają stałego czasu odpowiedzi.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Tekst, reprezentowane obrazy lub wideo, historia rozmowy, rozumowanie i odpowiedź końcowa współdzielą skonfigurowany limit sekwencji. W zadaniu wykorzystuj faktycznie skonfigurowany budżet, zamiast zakładać, że największy dokument i najdłuższa odpowiedź automatycznie zmieszczą się razem.
Przygotowanie dowodów tekstowych i wizualnych
W projekcie technicznym dostarcz specyfikację, odpowiedni kod i diagramy oraz zdefiniuj artefakt do utworzenia. Poproś o propozycję implementacji uporządkowaną według zmienianych komponentów i uzasadnioną dostarczonymi wymaganiami. W porównaniu dokumentów zachowaj identyfikatory sekcji, etykiety tabel i jednostki oraz poproś o tabelę ustaleń z dowodami dla każdego wiersza. W raporcie wielojęzycznym określ język docelowy i terminy, które mają pozostać bez zmian.
W pytaniu o obraz zachowaj drobne etykiety i podaj definicje nieobecne na ilustracji. W pytaniu o wideo wskaż istotne zdarzenie oraz zachowaj kolejność klatek i informacje o czasie. Porównaj zwrócone szczegóły wizualne, cytaty i opisy zdarzeń z oryginalnymi obrazami, fragmentami i znacznikami czasu. Wynikiem pozostaje analiza tekstowa lub kod; wizualne dane wejściowe modelu nie oznaczają generowania obrazów, wideo ani mowy.
Rozumowanie i historia rozmowy
Rozumowanie jest domyślnie włączone i poprzedza odpowiedź końcową. Ustawienie enable_thinking producenta pozwala je wyłączyć, aby uzyskać odpowiedź bezpośrednią. Starsze miękkie przełączniki /think i /nothink w poleceniu nie są oficjalnie obsługiwane przez Qwen3.5. Zadbaj, aby końcowy artefakt był łatwy do znalezienia po rozumowaniu, na przykład jako wniosek z wyraźnymi separatorami, tabela dowodów lub osobna propozycja kodu.
Karta zaleca zachowywanie odpowiedzi końcowych bez treści rozumowania w historycznych wiadomościach asystenta. Różni się to od opcji zachowywania historycznego rozumowania i ustawień domyślnych wprowadzonych w późniejszych wydaniach. Stosuj szablon tego konkretnego checkpointu i zachowuj powiązanie poprawek lub obserwacji narzędzi z zadaniem, które aktualizują.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP oraz Qwen Code do przepływów pracy agentów programistycznych. Określ dozwolone operacje, dostępne dowody i obserwowalne kryteria zakończenia. Aplikacja wykonuje narzędzia i dostarcza ich wyniki; model może wykorzystać te obserwacje do skorygowania planu lub wyjaśnienia. Proponowane polecenie lub poprawka pozostają odrębne od działania rzeczywiście zakończonego w środowisku.
Bardzo długi tekst i wideo
Rozszerzenie producenta wykorzystuje YaRN z własnymi 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 wpływać na wydajność przy krótszym tekście, dlatego powinno odpowiadać rzeczywistej potrzebie większego kontekstu. Uporządkuj długie dane wejściowe według identyfikatorów dokumentów, stron lub kodu i pozostaw miejsce na wynik.
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. W przypadku materiałów o długości rzędu godzin producent zaleca większy budżet procesora, odpowiadający 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
Sekcja Best Practices tego checkpointu zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0 dla rozumowania oraz temperature 0.7, top_p 0.8, top_k 20 i min_p 0 dla odpowiedzi bezpośrednich. Te dokładne zalecenia różnią się od zaleceń dla niektórych mniejszych edycji Qwen3.5. Tam, gdzie jest obsługiwana, kara za obecność w przedziale od zera do dwóch może ograniczać powtórzenia, lecz wyższe wartości mogą prowadzić do mieszania języków lub niewielkiego spadku jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie niezależne twarde limity długości wyjścia. Określ wymagany format odpowiedzi i sprawdź obliczenia, wyodrębnione szczegóły i proponowany kod względem źródła. Użyteczny wynik to konkretny artefakt tekstowy, którego dowody i założenia można poddać ocenie.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00468 / 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 $0.00078 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Użyj ścieżek metod podanych powyżej.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B to model wizyjno-językowy Qwen z architekturą mieszaniny ekspertów, liczący łącznie 397 miliardów parametrów i aktywujący 17 miliardów. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst do zadań rozumowania, programowania i pracy agentów, 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: checkpoint 397B-A17B
Qwen3.5-397B-A17B to model wizyjno-językowy z architekturą mieszaniny ekspertów z rodziny Qwen3.5, poddany dodatkowemu treningowi. Przyjmuje tekst, obrazy i wideo oraz generuje tekst: wyjaśnienia, propozycje kodu, analizy i zamówione artefakty dokumentowe. Rodzina wykorzystuje wczesną fuzję tekstu z obrazem oraz uczenie ze wzmocnieniem na zadaniach o stopniowo rosnącej złożoności, aby rozwijać rozumowanie, programowanie, agentów i rozumienie obrazu. Jej udokumentowany zakres językowy obejmuje 201 języków i dialektów, co nie oznacza obietnicy identycznej niezawodności dla każdego języka lub dziedziny specjalistycznej.
Producent osobno opisuje zarządzany model Qwen3.5-Plus jako odpowiadającą mu ofertę z dodatkowymi funkcjami produkcyjnymi. Zachowaj tożsamość, kontekst i instrukcję generowania tego otwartego checkpointu, zamiast przenosić wszystkie funkcje wersji zarządzanej lub późniejsze mechanizmy sterowania Qwen. Konkretna edycja 397B-A17B pozostaje odrębna od mniejszych modeli gęstych i modeli z ekspertami w tej samej rodzinie.
Przegląd modelu
Model ma łącznie 397 miliardów parametrów i aktywuje 17 miliardów. Jego 60-warstwowy układ hybrydowy powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów z uwagą bramkowaną. Producent podaje 512 ekspertów wybieranych przez mechanizm routingu, z których wybieranych jest dziesięciu wraz z jednym ekspertem współdzielonym. Model obejmuje enkoder obrazu i predykcję wielu tokenów. Łączna liczba parametrów, liczba aktywowanych parametrów i rozmiar pamięci masowej potrzebnej na kompletny checkpoint to różne pojęcia; te liczby nie ustanawiają stałego czasu odpowiedzi.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Tekst, reprezentowane obrazy lub wideo, historia rozmowy, rozumowanie i odpowiedź końcowa współdzielą skonfigurowany limit sekwencji. W zadaniu wykorzystuj faktycznie skonfigurowany budżet, zamiast zakładać, że największy dokument i najdłuższa odpowiedź automatycznie zmieszczą się razem.
Przygotowanie dowodów tekstowych i wizualnych
W projekcie technicznym dostarcz specyfikację, odpowiedni kod i diagramy oraz zdefiniuj artefakt do utworzenia. Poproś o propozycję implementacji uporządkowaną według zmienianych komponentów i uzasadnioną dostarczonymi wymaganiami. W porównaniu dokumentów zachowaj identyfikatory sekcji, etykiety tabel i jednostki oraz poproś o tabelę ustaleń z dowodami dla każdego wiersza. W raporcie wielojęzycznym określ język docelowy i terminy, które mają pozostać bez zmian.
W pytaniu o obraz zachowaj drobne etykiety i podaj definicje nieobecne na ilustracji. W pytaniu o wideo wskaż istotne zdarzenie oraz zachowaj kolejność klatek i informacje o czasie. Porównaj zwrócone szczegóły wizualne, cytaty i opisy zdarzeń z oryginalnymi obrazami, fragmentami i znacznikami czasu. Wynikiem pozostaje analiza tekstowa lub kod; wizualne dane wejściowe modelu nie oznaczają generowania obrazów, wideo ani mowy.
Rozumowanie i historia rozmowy
Rozumowanie jest domyślnie włączone i poprzedza odpowiedź końcową. Ustawienie enable_thinking producenta pozwala je wyłączyć, aby uzyskać odpowiedź bezpośrednią. Starsze miękkie przełączniki /think i /nothink w poleceniu nie są oficjalnie obsługiwane przez Qwen3.5. Zadbaj, aby końcowy artefakt był łatwy do znalezienia po rozumowaniu, na przykład jako wniosek z wyraźnymi separatorami, tabela dowodów lub osobna propozycja kodu.
Karta zaleca zachowywanie odpowiedzi końcowych bez treści rozumowania w historycznych wiadomościach asystenta. Różni się to od opcji zachowywania historycznego rozumowania i ustawień domyślnych wprowadzonych w późniejszych wydaniach. Stosuj szablon tego konkretnego checkpointu i zachowuj powiązanie poprawek lub obserwacji narzędzi z zadaniem, które aktualizują.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent z narzędziami skonfigurowanymi lub połączonymi przez MCP oraz Qwen Code do przepływów pracy agentów programistycznych. Określ dozwolone operacje, dostępne dowody i obserwowalne kryteria zakończenia. Aplikacja wykonuje narzędzia i dostarcza ich wyniki; model może wykorzystać te obserwacje do skorygowania planu lub wyjaśnienia. Proponowane polecenie lub poprawka pozostają odrębne od działania rzeczywiście zakończonego w środowisku.
Bardzo długi tekst i wideo
Rozszerzenie producenta wykorzystuje YaRN z własnymi 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 wpływać na wydajność przy krótszym tekście, dlatego powinno odpowiadać rzeczywistej potrzebie większego kontekstu. Uporządkuj długie dane wejściowe według identyfikatorów dokumentów, stron lub kodu i pozostaw miejsce na wynik.
Obsługiwany przykład wideo domyślnie wykorzystuje dwie klatki na sekundę. W przypadku materiałów o długości rzędu godzin producent zaleca większy budżet procesora, odpowiadający 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
Sekcja Best Practices tego checkpointu zaleca temperature 0.6, top_p 0.95, top_k 20 i min_p 0 dla rozumowania oraz temperature 0.7, top_p 0.8, top_k 20 i min_p 0 dla odpowiedzi bezpośrednich. Te dokładne zalecenia różnią się od zaleceń dla niektórych mniejszych edycji Qwen3.5. Tam, gdzie jest obsługiwana, kara za obecność w przedziale od zera do dwóch może ograniczać powtórzenia, lecz wyższe wartości mogą prowadzić do mieszania języków lub niewielkiego spadku jakości.
Zalecane limity generowania wynoszą 32,768 tokenów dla większości zapytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie niezależne twarde limity długości wyjścia. Określ wymagany format odpowiedzi i sprawdź obliczenia, wyodrębnione szczegóły i proponowany kod względem źródła. Użyteczny wynik to konkretny artefakt tekstowy, którego dowody i założenia można poddać ocenie.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00468 / 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 $0.00078 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00468 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.