Najważniejsze cechy Qwen3.6: programowanie i ciągłość rozumowania
Qwen3.6-35B-A3B to model wizualno-językowy skupiony na użytecznym programowaniu i pracy agentowej. Qwen podkreśla lepsze procesy frontendowe i rozumowanie na poziomie repozytorium oraz nową opcję zachowywania rozumowania z wcześniejszych wiadomości. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst: wyjaśnienie, propozycję kodu, ustrukturyzowaną analizę lub inny żądany rezultat tekstowy. Zachowaj tę konkretną wersję 35B-A3B zamiast traktować ją jako gęsty Qwen3.6-27B lub jej wcześniejszy odpowiednik Qwen3.5.
W zadaniu frontendowym dostarcz odpowiedni zrzut ekranu, wymagania funkcjonalne i kontekst istniejącego kodu. Poproś o edytowalne źródło i opis zamierzonych stanów oraz interakcji. W zadaniu repozytoryjnym wskaż zmienianą funkcję, dane ujawniające problem i oczekiwane zachowanie. Poproś o proponowaną poprawkę z założeniami i odpowiednimi sprawdzeniami.
Przegląd modelu
Model mixture-of-experts ma łącznie 35 miliardów parametrów i aktywuje trzy miliardy. Jego hybrydowy układ 40 warstw powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów bramkowanej uwagi. Ma 256 ekspertów obsługiwanych przez router, z których wybiera ośmiu wraz z jednym ekspertem współdzielonym; przewidywanie wielu tokenów jest częścią treningu. Mniejsza liczba aktywowanych parametrów nie opisuje pełnego rozmiaru wersji. Enkoder wizualny zapewnia wizualną część modelu.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Producent zaleca w miarę możliwości zachowanie kontekstu co najmniej 128K dla złożonych zadań rozumowania, nawet jeśli jego zmniejszenie obniżyłoby presję na pamięć. Tekst źródłowy, reprezentowany materiał wizualny, wcześniejsze wiadomości, rozumowanie i odpowiedź końcowa współdzielą skonfigurowany limit sekwencji.
Korzystanie z danych wejściowych i trybów odpowiedzi
Karta pokazuje pytania tekstowe, obrazowe i wideo. W diagramie lub stronie zachowaj etykiety i zdefiniuj dokładne pytanie. W klipie zachowaj informacje czasowe i określ interesujące zdarzenie. Obsługiwany przykład wideo producenta domyślnie używa dwóch klatek na sekundę i dopuszcza konfigurację próbkowania. Zalecana procedura rozszerza budżet procesora wideo do około 224K tokenów wideo, aby umożliwić analizę materiału o długości rzędu godzin z częstszym próbkowaniem; jest to przykład konfiguracji, a nie sztywny uniwersalny limit czasu trwania klipu.
Rozumowanie jest domyślnie włączone. Ustawienie producenta enable_thinking może wyłączyć je dla odpowiedzi bezpośredniej. Qwen3.6 nie obsługuje oficjalnie starszych miękkich przełączników poleceń Qwen3 /think i /nothink. Oddzielaj rozumowanie od końcowego rezultatu przy prezentacji wyniku i przestrzegaj własnego interfejsu tej wersji zamiast zakładać działanie znaczników poleceń lub ustawień innej generacji.
Zachowywanie wcześniejszego rozumowania
Domyślnie szablon zachowuje bloki rozumowania powiązane z najnowszą wiadomością użytkownika. Qwen3.6 został dodatkowo wytrenowany do korzystania z wcześniejszego rozumowania, gdy preserve_thinking jest włączone. Jego jawny przykład ustawia tę opcję na true. Może to pomagać iteracyjnemu zadaniu agentowemu zachowywać kontekst decyzji zamiast wielokrotnie wyprowadzać wcześniejsze wybory; zmienia też ilość historii przenoszonej przez żądanie. Dostępność opcji zależy od interfejsu udostępniającego procedurę producenta.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do ich konfiguracji, w tym narzędzi podłączonych przez MCP. Qwen Code to kolejny udokumentowany przez producenta proces agenta programistycznego. Zdefiniuj dozwolone narzędzia, cel zadania i oczekiwany rezultat, a następnie zwracaj modelowi rzeczywiste obserwacje narzędzi. Model może rozumować o wyniku i modyfikować plan; dostęp do plików lub środowisk wykonawczych pochodzi z podłączonej aplikacji, a nie nazwy modelu.
Bardzo długi tekst
Udokumentowane rozszerzenie kontekstu używa YaRN z przeplatanymi ustawieniami pozycyjnymi tej wersji. Współczynnik cztery jest przeznaczony do procesu około miliona tokenów; dla obciążeń 524,288 tokenów Qwen sugeruje współczynnik dwa. Statyczne skalowanie może wpływać na skuteczność przy krótszym tekście, dlatego producent zaleca zmianę, gdy potrzebny jest dłuższy kontekst. Zachowaj identyfikatory sekcji i kodu w dużym wejściu i poproś, aby wynik pokazywał dowody uzasadniające każdy wniosek.
Wskazówki i limity generowania
Dla ogólnego rozumowania producent zaleca temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 i repetition penalty 1.0. Dla precyzyjnego programowania temperature zmienia się na 0.6, a presence penalty na zero. Dla odpowiedzi bezpośrednich zaleca temperature 0.7, top_p 0.8 i presence penalty 1.5, z pozostałymi wartościami bez zmian. Wyższe kary obecności mogą ograniczać powtórzenia, ale mogą mieszać języki lub nieznacznie obniżać jakość.
Qwen zaleca limit generowania 32,768 tokenów dla większości pytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie osobno ustanowione sztywne limity wyjściowe. Jawnie określ format końcowy i sprawdź kod, obliczenia oraz wyodrębnione szczegóły wizualne względem źródła. Ciągłość rozumowania i długi kontekst pomagają przenosić dowody zadania, a sprawdzalny końcowy rezultat czyni wynik użytecznym.
", "aboutText": "Najważniejsze cechy Qwen3.6: programowanie i ciągłość rozumowania\n\nQwen3.6-35B-A3B to model wizualno-językowy skupiony na użytecznym programowaniu i pracy agentowej. Qwen podkreśla lepsze procesy frontendowe i rozumowanie na poziomie repozytorium oraz nową opcję zachowywania rozumowania z wcześniejszych wiadomości. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst: wyjaśnienie, propozycję kodu, ustrukturyzowaną analizę lub inny żądany rezultat tekstowy. Zachowaj tę konkretną wersję 35B-A3B zamiast traktować ją jako gęsty Qwen3.6-27B lub jej wcześniejszy odpowiednik Qwen3.5.\n\nW zadaniu frontendowym dostarcz odpowiedni zrzut ekranu, wymagania funkcjonalne i kontekst istniejącego kodu. Poproś o edytowalne źródło i opis zamierzonych stanów oraz interakcji. W zadaniu repozytoryjnym wskaż zmienianą funkcję, dane ujawniające problem i oczekiwane zachowanie. Poproś o proponowaną poprawkę z założeniami i odpowiednimi sprawdzeniami.\n\nPrzegląd modelu\n\nModel mixture-of-experts ma łącznie 35 miliardów parametrów i aktywuje trzy miliardy. Jego hybrydowy układ 40 warstw powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów bramkowanej uwagi. Ma 256 ekspertów obsługiwanych przez router, z których wybiera ośmiu wraz z jednym ekspertem współdzielonym; przewidywanie wielu tokenów jest częścią treningu. Mniejsza liczba aktywowanych parametrów nie opisuje pełnego rozmiaru wersji. Enkoder wizualny zapewnia wizualną część modelu.\n\nNatywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Producent zaleca w miarę możliwości zachowanie kontekstu co najmniej 128K dla złożonych zadań rozumowania, nawet jeśli jego zmniejszenie obniżyłoby presję na pamięć. Tekst źródłowy, reprezentowany materiał wizualny, wcześniejsze wiadomości, rozumowanie i odpowiedź końcowa współdzielą skonfigurowany limit sekwencji.\n\nKorzystanie z danych wejściowych i trybów odpowiedzi\n\nKarta pokazuje pytania tekstowe, obrazowe i wideo. W diagramie lub stronie zachowaj etykiety i zdefiniuj dokładne pytanie. W klipie zachowaj informacje czasowe i określ interesujące zdarzenie. Obsługiwany przykład wideo producenta domyślnie używa dwóch klatek na sekundę i dopuszcza konfigurację próbkowania. Zalecana procedura rozszerza budżet procesora wideo do około 224K tokenów wideo, aby umożliwić analizę materiału o długości rzędu godzin z częstszym próbkowaniem; jest to przykład konfiguracji, a nie sztywny uniwersalny limit czasu trwania klipu.\n\nRozumowanie jest domyślnie włączone. Ustawienie producenta enable_thinking może wyłączyć je dla odpowiedzi bezpośredniej. Qwen3.6 nie obsługuje oficjalnie starszych miękkich przełączników poleceń Qwen3 /think i /nothink. Oddzielaj rozumowanie od końcowego rezultatu przy prezentacji wyniku i przestrzegaj własnego interfejsu tej wersji zamiast zakładać działanie znaczników poleceń lub ustawień innej generacji.\n\nZachowywanie wcześniejszego rozumowania\n\nDomyślnie szablon zachowuje bloki rozumowania powiązane z najnowszą wiadomością użytkownika. Qwen3.6 został dodatkowo wytrenowany do korzystania z wcześniejszego rozumowania, gdy preserve_thinking jest włączone. Jego jawny przykład ustawia tę opcję na true. Może to pomagać iteracyjnemu zadaniu agentowemu zachowywać kontekst decyzji zamiast wielokrotnie wyprowadzać wcześniejsze wybory; zmienia też ilość historii przenoszonej przez żądanie. Dostępność opcji zależy od interfejsu udostępniającego procedurę producenta.\n\nZastosowania agentowe\n\nQwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do ich konfiguracji, w tym narzędzi podłączonych przez MCP. Qwen Code to kolejny udokumentowany przez producenta proces agenta programistycznego. Zdefiniuj dozwolone narzędzia, cel zadania i oczekiwany rezultat, a następnie zwracaj modelowi rzeczywiste obserwacje narzędzi. Model może rozumować o wyniku i modyfikować plan; dostęp do plików lub środowisk wykonawczych pochodzi z podłączonej aplikacji, a nie nazwy modelu.\n\nBardzo długi tekst\n\nUdokumentowane rozszerzenie kontekstu używa YaRN z przeplatanymi ustawieniami pozycyjnymi tej wersji. Współczynnik cztery jest przeznaczony do procesu około miliona tokenów; dla obciążeń 524,288 tokenów Qwen sugeruje współczynnik dwa. Statyczne skalowanie może wpływać na skuteczność przy krótszym tekście, dlatego producent zaleca zmianę, gdy potrzebny jest dłuższy kontekst. Zachowaj identyfikatory sekcji i kodu w dużym wejściu i poproś, aby wynik pokazywał dowody uzasadniające każdy wniosek.\n\nWskazówki i limity generowania\n\nDla ogólnego rozumowania producent zaleca temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 i repetition penalty 1.0. Dla precyzyjnego programowania temperature zmienia się na 0.6, a presence penalty na zero. Dla odpowiedzi bezpośrednich zaleca temperature 0.7, top_p 0.8 i presence penalty 1.5, z pozostałymi wartościami bez zmian. Wyższe kary obecności mogą ograniczać powtórzenia, ale mogą mieszać języki lub nieznacznie obniżać jakość.\n\nQwen zaleca limit generowania 32,768 tokenów dla większości pytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie osobno ustanowione sztywne limity wyjściowe. Jawnie określ format końcowy i sprawdź kod, obliczenia oraz wyodrębnione szczegóły wizualne względem źródła. Ciągłość rozumowania i długi kontekst pomagają przenosić dowody zadania, a sprawdzalny końcowy rezultat czyni wynik użytecznym.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B to wizualno-językowy model Qwen o architekturze mixture-of-experts, z 35 miliardami parametrów ogółem i 3 miliardami aktywowanych. Skupia się na programowaniu frontendu i na poziomie repozytorium, dodaje opcjonalne zachowywanie wcześniejszego rozumowania i przyjmuje tekst, obrazy i wideo z wyjściem tekstowym.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3.6: programowanie i ciągłość rozumowania
Qwen3.6-35B-A3B to model wizualno-językowy skupiony na użytecznym programowaniu i pracy agentowej. Qwen podkreśla lepsze procesy frontendowe i rozumowanie na poziomie repozytorium oraz nową opcję zachowywania rozumowania z wcześniejszych wiadomości. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst: wyjaśnienie, propozycję kodu, ustrukturyzowaną analizę lub inny żądany rezultat tekstowy. Zachowaj tę konkretną wersję 35B-A3B zamiast traktować ją jako gęsty Qwen3.6-27B lub jej wcześniejszy odpowiednik Qwen3.5.
W zadaniu frontendowym dostarcz odpowiedni zrzut ekranu, wymagania funkcjonalne i kontekst istniejącego kodu. Poproś o edytowalne źródło i opis zamierzonych stanów oraz interakcji. W zadaniu repozytoryjnym wskaż zmienianą funkcję, dane ujawniające problem i oczekiwane zachowanie. Poproś o proponowaną poprawkę z założeniami i odpowiednimi sprawdzeniami.
Przegląd modelu
Model mixture-of-experts ma łącznie 35 miliardów parametrów i aktywuje trzy miliardy. Jego hybrydowy układ 40 warstw powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów bramkowanej uwagi. Ma 256 ekspertów obsługiwanych przez router, z których wybiera ośmiu wraz z jednym ekspertem współdzielonym; przewidywanie wielu tokenów jest częścią treningu. Mniejsza liczba aktywowanych parametrów nie opisuje pełnego rozmiaru wersji. Enkoder wizualny zapewnia wizualną część modelu.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Producent zaleca w miarę możliwości zachowanie kontekstu co najmniej 128K dla złożonych zadań rozumowania, nawet jeśli jego zmniejszenie obniżyłoby presję na pamięć. Tekst źródłowy, reprezentowany materiał wizualny, wcześniejsze wiadomości, rozumowanie i odpowiedź końcowa współdzielą skonfigurowany limit sekwencji.
Korzystanie z danych wejściowych i trybów odpowiedzi
Karta pokazuje pytania tekstowe, obrazowe i wideo. W diagramie lub stronie zachowaj etykiety i zdefiniuj dokładne pytanie. W klipie zachowaj informacje czasowe i określ interesujące zdarzenie. Obsługiwany przykład wideo producenta domyślnie używa dwóch klatek na sekundę i dopuszcza konfigurację próbkowania. Zalecana procedura rozszerza budżet procesora wideo do około 224K tokenów wideo, aby umożliwić analizę materiału o długości rzędu godzin z częstszym próbkowaniem; jest to przykład konfiguracji, a nie sztywny uniwersalny limit czasu trwania klipu.
Rozumowanie jest domyślnie włączone. Ustawienie producenta enable_thinking może wyłączyć je dla odpowiedzi bezpośredniej. Qwen3.6 nie obsługuje oficjalnie starszych miękkich przełączników poleceń Qwen3 /think i /nothink. Oddzielaj rozumowanie od końcowego rezultatu przy prezentacji wyniku i przestrzegaj własnego interfejsu tej wersji zamiast zakładać działanie znaczników poleceń lub ustawień innej generacji.
Zachowywanie wcześniejszego rozumowania
Domyślnie szablon zachowuje bloki rozumowania powiązane z najnowszą wiadomością użytkownika. Qwen3.6 został dodatkowo wytrenowany do korzystania z wcześniejszego rozumowania, gdy preserve_thinking jest włączone. Jego jawny przykład ustawia tę opcję na true. Może to pomagać iteracyjnemu zadaniu agentowemu zachowywać kontekst decyzji zamiast wielokrotnie wyprowadzać wcześniejsze wybory; zmienia też ilość historii przenoszonej przez żądanie. Dostępność opcji zależy od interfejsu udostępniającego procedurę producenta.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do ich konfiguracji, w tym narzędzi podłączonych przez MCP. Qwen Code to kolejny udokumentowany przez producenta proces agenta programistycznego. Zdefiniuj dozwolone narzędzia, cel zadania i oczekiwany rezultat, a następnie zwracaj modelowi rzeczywiste obserwacje narzędzi. Model może rozumować o wyniku i modyfikować plan; dostęp do plików lub środowisk wykonawczych pochodzi z podłączonej aplikacji, a nie nazwy modelu.
Bardzo długi tekst
Udokumentowane rozszerzenie kontekstu używa YaRN z przeplatanymi ustawieniami pozycyjnymi tej wersji. Współczynnik cztery jest przeznaczony do procesu około miliona tokenów; dla obciążeń 524,288 tokenów Qwen sugeruje współczynnik dwa. Statyczne skalowanie może wpływać na skuteczność przy krótszym tekście, dlatego producent zaleca zmianę, gdy potrzebny jest dłuższy kontekst. Zachowaj identyfikatory sekcji i kodu w dużym wejściu i poproś, aby wynik pokazywał dowody uzasadniające każdy wniosek.
Wskazówki i limity generowania
Dla ogólnego rozumowania producent zaleca temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 i repetition penalty 1.0. Dla precyzyjnego programowania temperature zmienia się na 0.6, a presence penalty na zero. Dla odpowiedzi bezpośrednich zaleca temperature 0.7, top_p 0.8 i presence penalty 1.5, z pozostałymi wartościami bez zmian. Wyższe kary obecności mogą ograniczać powtórzenia, ale mogą mieszać języki lub nieznacznie obniżać jakość.
Qwen zaleca limit generowania 32,768 tokenów dla większości pytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie osobno ustanowione sztywne limity wyjściowe. Jawnie określ format końcowy i sprawdź kod, obliczenia oraz wyodrębnione szczegóły wizualne względem źródła. Ciągłość rozumowania i długi kontekst pomagają przenosić dowody zadania, a sprawdzalny końcowy rezultat czyni wynik użytecznym.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.6-35b-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 $0.000566 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00341 / 1K tokenów Wejście · Odczyt cache $0.0001 / 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 $0.000566 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00341 / 1K tokenów Wejście · Odczyt cache $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3.6-35b-a3b
Użyj ścieżek metod podanych powyżej.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B to wizualno-językowy model Qwen o architekturze mixture-of-experts, z 35 miliardami parametrów ogółem i 3 miliardami aktywowanych. Skupia się na programowaniu frontendu i na poziomie repozytorium, dodaje opcjonalne zachowywanie wcześniejszego rozumowania i przyjmuje tekst, obrazy i wideo z wyjściem tekstowym.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Najważniejsze cechy Qwen3.6: programowanie i ciągłość rozumowania
Qwen3.6-35B-A3B to model wizualno-językowy skupiony na użytecznym programowaniu i pracy agentowej. Qwen podkreśla lepsze procesy frontendowe i rozumowanie na poziomie repozytorium oraz nową opcję zachowywania rozumowania z wcześniejszych wiadomości. Przyjmuje tekst, obrazy i wideo oraz zwraca tekst: wyjaśnienie, propozycję kodu, ustrukturyzowaną analizę lub inny żądany rezultat tekstowy. Zachowaj tę konkretną wersję 35B-A3B zamiast traktować ją jako gęsty Qwen3.6-27B lub jej wcześniejszy odpowiednik Qwen3.5.
W zadaniu frontendowym dostarcz odpowiedni zrzut ekranu, wymagania funkcjonalne i kontekst istniejącego kodu. Poproś o edytowalne źródło i opis zamierzonych stanów oraz interakcji. W zadaniu repozytoryjnym wskaż zmienianą funkcję, dane ujawniające problem i oczekiwane zachowanie. Poproś o proponowaną poprawkę z założeniami i odpowiednimi sprawdzeniami.
Przegląd modelu
Model mixture-of-experts ma łącznie 35 miliardów parametrów i aktywuje trzy miliardy. Jego hybrydowy układ 40 warstw powtarza trzy warstwy ekspertów Gated DeltaNet, po których następuje jedna warstwa ekspertów bramkowanej uwagi. Ma 256 ekspertów obsługiwanych przez router, z których wybiera ośmiu wraz z jednym ekspertem współdzielonym; przewidywanie wielu tokenów jest częścią treningu. Mniejsza liczba aktywowanych parametrów nie opisuje pełnego rozmiaru wersji. Enkoder wizualny zapewnia wizualną część modelu.
Natywny kontekst wynosi 262,144 tokenów, z warunkowym rozszerzeniem do 1,010,000. Producent zaleca w miarę możliwości zachowanie kontekstu co najmniej 128K dla złożonych zadań rozumowania, nawet jeśli jego zmniejszenie obniżyłoby presję na pamięć. Tekst źródłowy, reprezentowany materiał wizualny, wcześniejsze wiadomości, rozumowanie i odpowiedź końcowa współdzielą skonfigurowany limit sekwencji.
Korzystanie z danych wejściowych i trybów odpowiedzi
Karta pokazuje pytania tekstowe, obrazowe i wideo. W diagramie lub stronie zachowaj etykiety i zdefiniuj dokładne pytanie. W klipie zachowaj informacje czasowe i określ interesujące zdarzenie. Obsługiwany przykład wideo producenta domyślnie używa dwóch klatek na sekundę i dopuszcza konfigurację próbkowania. Zalecana procedura rozszerza budżet procesora wideo do około 224K tokenów wideo, aby umożliwić analizę materiału o długości rzędu godzin z częstszym próbkowaniem; jest to przykład konfiguracji, a nie sztywny uniwersalny limit czasu trwania klipu.
Rozumowanie jest domyślnie włączone. Ustawienie producenta enable_thinking może wyłączyć je dla odpowiedzi bezpośredniej. Qwen3.6 nie obsługuje oficjalnie starszych miękkich przełączników poleceń Qwen3 /think i /nothink. Oddzielaj rozumowanie od końcowego rezultatu przy prezentacji wyniku i przestrzegaj własnego interfejsu tej wersji zamiast zakładać działanie znaczników poleceń lub ustawień innej generacji.
Zachowywanie wcześniejszego rozumowania
Domyślnie szablon zachowuje bloki rozumowania powiązane z najnowszą wiadomością użytkownika. Qwen3.6 został dodatkowo wytrenowany do korzystania z wcześniejszego rozumowania, gdy preserve_thinking jest włączone. Jego jawny przykład ustawia tę opcję na true. Może to pomagać iteracyjnemu zadaniu agentowemu zachowywać kontekst decyzji zamiast wielokrotnie wyprowadzać wcześniejsze wybory; zmienia też ilość historii przenoszonej przez żądanie. Dostępność opcji zależy od interfejsu udostępniającego procedurę producenta.
Zastosowania agentowe
Qwen dokumentuje wywoływanie narzędzi i zaleca Qwen-Agent do ich konfiguracji, w tym narzędzi podłączonych przez MCP. Qwen Code to kolejny udokumentowany przez producenta proces agenta programistycznego. Zdefiniuj dozwolone narzędzia, cel zadania i oczekiwany rezultat, a następnie zwracaj modelowi rzeczywiste obserwacje narzędzi. Model może rozumować o wyniku i modyfikować plan; dostęp do plików lub środowisk wykonawczych pochodzi z podłączonej aplikacji, a nie nazwy modelu.
Bardzo długi tekst
Udokumentowane rozszerzenie kontekstu używa YaRN z przeplatanymi ustawieniami pozycyjnymi tej wersji. Współczynnik cztery jest przeznaczony do procesu około miliona tokenów; dla obciążeń 524,288 tokenów Qwen sugeruje współczynnik dwa. Statyczne skalowanie może wpływać na skuteczność przy krótszym tekście, dlatego producent zaleca zmianę, gdy potrzebny jest dłuższy kontekst. Zachowaj identyfikatory sekcji i kodu w dużym wejściu i poproś, aby wynik pokazywał dowody uzasadniające każdy wniosek.
Wskazówki i limity generowania
Dla ogólnego rozumowania producent zaleca temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 1.5 i repetition penalty 1.0. Dla precyzyjnego programowania temperature zmienia się na 0.6, a presence penalty na zero. Dla odpowiedzi bezpośrednich zaleca temperature 0.7, top_p 0.8 i presence penalty 1.5, z pozostałymi wartościami bez zmian. Wyższe kary obecności mogą ograniczać powtórzenia, ale mogą mieszać języki lub nieznacznie obniżać jakość.
Qwen zaleca limit generowania 32,768 tokenów dla większości pytań i 81,920 dla wyjątkowo złożonych zadań matematycznych lub programistycznych. Są to zalecenia, a nie osobno ustanowione sztywne limity wyjściowe. Jawnie określ format końcowy i sprawdź kod, obliczenia oraz wyodrębnione szczegóły wizualne względem źródła. Ciągłość rozumowania i długi kontekst pomagają przenosić dowody zadania, a sprawdzalny końcowy rezultat czyni wynik użytecznym.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen3.6-35b-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 $0.000566 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00341 / 1K tokenów Wejście · Odczyt cache $0.0001 / 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 $0.000566 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00341 / 1K tokenów Wejście · Odczyt cache $0.0001 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3.6-35b-a3b
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.