Destaques Qwen3.5 na edição densa 9B
Qwen3.5-9B é o checkpoint denso de visão e linguagem de 9 mil milhões de parâmetros, submetido a pós-treino. Recebe texto, imagens e vídeo e devolve texto. A família reúne raciocínio, programação, agentes e compreensão visual através de fusão precoce de treino textual e visual, aprendizagem por reforço em tarefas progressivamente complexas e suporte para 201 idiomas e dialetos. Essa cobertura linguística é uma capacidade da família, não uma garantia de fiabilidade idêntica para todos os idiomas ou temas.
Para trabalho documental multilingue, indique o idioma-alvo, preserve termos técnicos e peça que o resultado identifique os campos ou passagens das fontes utilizados. Numa pergunta visual, forneça uma imagem legível e uma tarefa precisa. Num pequeno pedido de programação, forneça a entrada, o comportamento desejado e o código relevante. O modelo não gera imagens ou vídeos ao analisar material visual.
Visão geral do modelo
Este modelo exato 9B é denso, com 32 camadas de modelo linguístico e um codificador visual. A disposição híbrida repete três camadas Gated DeltaNet seguidas de uma camada de atenção com portas, utilizando redes densas de propagação direta. A previsão de múltiplos tokens está incluída no treino. A família também contém modelos de especialistas esparsos, mas as suas descrições de parâmetros totais e ativados não devem ser aplicadas a esta edição densa.
O contexto nativo é de 262,144 tokens, com extensão condicional até 1,010,000. A configuração e a dimensão numérica do modelo devem manter-se distintas do checkpoint Base, de outras dimensões Qwen3.5 e de versões quantizadas. Uma contagem menor de parâmetros identifica a edição; não estabelece, por si só, um tempo de resposta universal nem uma classificação de qualidade. Para tarefas complexas de raciocínio, a Qwen recomenda manter, sempre que possível, um contexto configurado de pelo menos 128K tokens.
Entradas e modos de resposta
O fabricante mostra perguntas só de texto, de imagem e de vídeo. Forneça uma pergunta documental com a página relevante e os campos esperados ou uma pergunta de vídeo com o evento e o intervalo temporal importantes. Preserve rótulos, unidades e ordem dos fotogramas. Peça um resultado comparável com a fonte, como uma tabela de valores extraídos ou uma explicação que cite as provas visíveis.
O raciocínio está ativo por predefinição. enable_thinking pode desativá-lo para uma resposta direta, enquanto os antigos comandos de controlo do raciocínio no pedido, /think e /nothink, não são oficialmente suportados. Utilize o modelo de formatação do fabricante e separe raciocínio de texto final quando a interface fornecer ambos. A recomendação Qwen3.5 de histórico é conservar respostas finais sem o conteúdo de raciocínio; o comportamento mais recente de preservação histórica não deve ser importado para esta versão.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent, incluindo ferramentas configuradas ou ligadas por MCP, e Qwen Code para agentes de programação. Indique as ferramentas permitidas e o resultado observável. Uma ferramenta ligada pode fornecer um cálculo, recuperação de fontes ou retorno real de execução; o modelo pode então utilizar essa informação na resposta. As ferramentas e ações externas pertencem à aplicação, pelo que o nome do modelo, isoladamente, não estabelece acesso ou execução.
Texto ultralongo
A extensão documentada utiliza YaRN com as definições posicionais próprias deste checkpoint. Um fator de quatro visa o fluxo de cerca de um milhão de tokens; para 524,288 tokens, o fabricante sugere um fator de dois. A escala estática pode afetar o desempenho com textos mais curtos, pelo que deve seguir a necessidade real de contexto maior. Entrada, representação visual, histórico, raciocínio e saída final partilham o orçamento de sequência. Organize material longo por documento ou identificador de código e deixe espaço para o artefacto pedido.
Recomendações de geração
As boas práticas da ficha distinguem várias predefinições. O raciocínio geral utiliza temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 1.5 e penalização de repetição 1.0. A programação precisa utiliza temperature 0.6 e penalização de presença zero. As respostas diretas gerais utilizam temperature 0.7, top_p 0.8 e penalização de presença 1.5; top_k é 20, min_p é 0 e a penalização de repetição é 1.0. Para tarefas de raciocínio com resposta direta, as boas práticas recomendam, em vez disso, temperature 1.0, top_p 1.0, top_k 40 e penalização de presença 2.0. São receitas específicas das tarefas, não valores para misturar indiscriminadamente. Penalizações de presença maiores podem causar mistura de idiomas ou uma ligeira redução de qualidade.
A Qwen recomenda geração até 32,768 tokens para a maioria das perguntas e 81,920 para perguntas matemáticas ou de programação invulgarmente complexas. São recomendações, não limites rígidos independentes de saída. Especifique o formato da resposta, como resultado matemático delimitado ou campo de resposta, e verifique a conclusão face à fonte.
Pormenor de vídeo e limites substantivos
O exemplo de vídeo do fabricante utiliza dois fotogramas por segundo por predefinição no fluxo suportado. As orientações à escala de horas expandem o orçamento do processador de vídeo para cerca de 224K tokens de vídeo, para amostragem de maior frequência. São exemplos dependentes da configuração, não uma garantia universal de duração ou tempos dos eventos. Mantenha legíveis texto pequeno e transições importantes da cena e verifique texto extraído, cálculos e código gerado antes de utilizar o resultado. O valor prático da edição 9B é o âmbito documentado de tarefas conjuntas de texto e visão e o modo de resposta controlável, preservando a identidade densa exata.
", "aboutText": "Destaques Qwen3.5 na edição densa 9B\n\nQwen3.5-9B é o checkpoint denso de visão e linguagem de 9 mil milhões de parâmetros, submetido a pós-treino. Recebe texto, imagens e vídeo e devolve texto. A família reúne raciocínio, programação, agentes e compreensão visual através de fusão precoce de treino textual e visual, aprendizagem por reforço em tarefas progressivamente complexas e suporte para 201 idiomas e dialetos. Essa cobertura linguística é uma capacidade da família, não uma garantia de fiabilidade idêntica para todos os idiomas ou temas.\n\nPara trabalho documental multilingue, indique o idioma-alvo, preserve termos técnicos e peça que o resultado identifique os campos ou passagens das fontes utilizados. Numa pergunta visual, forneça uma imagem legível e uma tarefa precisa. Num pequeno pedido de programação, forneça a entrada, o comportamento desejado e o código relevante. O modelo não gera imagens ou vídeos ao analisar material visual.\n\nVisão geral do modelo\n\nEste modelo exato 9B é denso, com 32 camadas de modelo linguístico e um codificador visual. A disposição híbrida repete três camadas Gated DeltaNet seguidas de uma camada de atenção com portas, utilizando redes densas de propagação direta. A previsão de múltiplos tokens está incluída no treino. A família também contém modelos de especialistas esparsos, mas as suas descrições de parâmetros totais e ativados não devem ser aplicadas a esta edição densa.\n\nO contexto nativo é de 262,144 tokens, com extensão condicional até 1,010,000. A configuração e a dimensão numérica do modelo devem manter-se distintas do checkpoint Base, de outras dimensões Qwen3.5 e de versões quantizadas. Uma contagem menor de parâmetros identifica a edição; não estabelece, por si só, um tempo de resposta universal nem uma classificação de qualidade. Para tarefas complexas de raciocínio, a Qwen recomenda manter, sempre que possível, um contexto configurado de pelo menos 128K tokens.\n\nEntradas e modos de resposta\n\nO fabricante mostra perguntas só de texto, de imagem e de vídeo. Forneça uma pergunta documental com a página relevante e os campos esperados ou uma pergunta de vídeo com o evento e o intervalo temporal importantes. Preserve rótulos, unidades e ordem dos fotogramas. Peça um resultado comparável com a fonte, como uma tabela de valores extraídos ou uma explicação que cite as provas visíveis.\n\nO raciocínio está ativo por predefinição. enable_thinking pode desativá-lo para uma resposta direta, enquanto os antigos comandos de controlo do raciocínio no pedido, /think e /nothink, não são oficialmente suportados. Utilize o modelo de formatação do fabricante e separe raciocínio de texto final quando a interface fornecer ambos. A recomendação Qwen3.5 de histórico é conservar respostas finais sem o conteúdo de raciocínio; o comportamento mais recente de preservação histórica não deve ser importado para esta versão.\n\nUtilização em agentes\n\nA Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent, incluindo ferramentas configuradas ou ligadas por MCP, e Qwen Code para agentes de programação. Indique as ferramentas permitidas e o resultado observável. Uma ferramenta ligada pode fornecer um cálculo, recuperação de fontes ou retorno real de execução; o modelo pode então utilizar essa informação na resposta. As ferramentas e ações externas pertencem à aplicação, pelo que o nome do modelo, isoladamente, não estabelece acesso ou execução.\n\nTexto ultralongo\n\nA extensão documentada utiliza YaRN com as definições posicionais próprias deste checkpoint. Um fator de quatro visa o fluxo de cerca de um milhão de tokens; para 524,288 tokens, o fabricante sugere um fator de dois. A escala estática pode afetar o desempenho com textos mais curtos, pelo que deve seguir a necessidade real de contexto maior. Entrada, representação visual, histórico, raciocínio e saída final partilham o orçamento de sequência. Organize material longo por documento ou identificador de código e deixe espaço para o artefacto pedido.\n\nRecomendações de geração\n\nAs boas práticas da ficha distinguem várias predefinições. O raciocínio geral utiliza temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 1.5 e penalização de repetição 1.0. A programação precisa utiliza temperature 0.6 e penalização de presença zero. As respostas diretas gerais utilizam temperature 0.7, top_p 0.8 e penalização de presença 1.5; top_k é 20, min_p é 0 e a penalização de repetição é 1.0. Para tarefas de raciocínio com resposta direta, as boas práticas recomendam, em vez disso, temperature 1.0, top_p 1.0, top_k 40 e penalização de presença 2.0. São receitas específicas das tarefas, não valores para misturar indiscriminadamente. Penalizações de presença maiores podem causar mistura de idiomas ou uma ligeira redução de qualidade.\n\nA Qwen recomenda geração até 32,768 tokens para a maioria das perguntas e 81,920 para perguntas matemáticas ou de programação invulgarmente complexas. São recomendações, não limites rígidos independentes de saída. Especifique o formato da resposta, como resultado matemático delimitado ou campo de resposta, e verifique a conclusão face à fonte.\n\nPormenor de vídeo e limites substantivos\n\nO exemplo de vídeo do fabricante utiliza dois fotogramas por segundo por predefinição no fluxo suportado. As orientações à escala de horas expandem o orçamento do processador de vídeo para cerca de 224K tokens de vídeo, para amostragem de maior frequência. São exemplos dependentes da configuração, não uma garantia universal de duração ou tempos dos eventos. Mantenha legíveis texto pequeno e transições importantes da cena e verifique texto extraído, cálculos e código gerado antes de utilizar o resultado. O valor prático da edição 9B é o âmbito documentado de tarefas conjuntas de texto e visão e o modo de resposta controlável, preservando a identidade densa exata.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B é o modelo denso de visão e linguagem da Qwen de 9 mil milhões de parâmetros para texto, imagens e vídeo, com saída textual. Combina raciocínio, programação, chamadas a ferramentas e trabalho multilingue, com raciocínio selecionável e contexto nativo de 262,144 tokens extensível por configuração.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Destaques Qwen3.5 na edição densa 9B
Qwen3.5-9B é o checkpoint denso de visão e linguagem de 9 mil milhões de parâmetros, submetido a pós-treino. Recebe texto, imagens e vídeo e devolve texto. A família reúne raciocínio, programação, agentes e compreensão visual através de fusão precoce de treino textual e visual, aprendizagem por reforço em tarefas progressivamente complexas e suporte para 201 idiomas e dialetos. Essa cobertura linguística é uma capacidade da família, não uma garantia de fiabilidade idêntica para todos os idiomas ou temas.
Para trabalho documental multilingue, indique o idioma-alvo, preserve termos técnicos e peça que o resultado identifique os campos ou passagens das fontes utilizados. Numa pergunta visual, forneça uma imagem legível e uma tarefa precisa. Num pequeno pedido de programação, forneça a entrada, o comportamento desejado e o código relevante. O modelo não gera imagens ou vídeos ao analisar material visual.
Visão geral do modelo
Este modelo exato 9B é denso, com 32 camadas de modelo linguístico e um codificador visual. A disposição híbrida repete três camadas Gated DeltaNet seguidas de uma camada de atenção com portas, utilizando redes densas de propagação direta. A previsão de múltiplos tokens está incluída no treino. A família também contém modelos de especialistas esparsos, mas as suas descrições de parâmetros totais e ativados não devem ser aplicadas a esta edição densa.
O contexto nativo é de 262,144 tokens, com extensão condicional até 1,010,000. A configuração e a dimensão numérica do modelo devem manter-se distintas do checkpoint Base, de outras dimensões Qwen3.5 e de versões quantizadas. Uma contagem menor de parâmetros identifica a edição; não estabelece, por si só, um tempo de resposta universal nem uma classificação de qualidade. Para tarefas complexas de raciocínio, a Qwen recomenda manter, sempre que possível, um contexto configurado de pelo menos 128K tokens.
Entradas e modos de resposta
O fabricante mostra perguntas só de texto, de imagem e de vídeo. Forneça uma pergunta documental com a página relevante e os campos esperados ou uma pergunta de vídeo com o evento e o intervalo temporal importantes. Preserve rótulos, unidades e ordem dos fotogramas. Peça um resultado comparável com a fonte, como uma tabela de valores extraídos ou uma explicação que cite as provas visíveis.
O raciocínio está ativo por predefinição. enable_thinking pode desativá-lo para uma resposta direta, enquanto os antigos comandos de controlo do raciocínio no pedido, /think e /nothink, não são oficialmente suportados. Utilize o modelo de formatação do fabricante e separe raciocínio de texto final quando a interface fornecer ambos. A recomendação Qwen3.5 de histórico é conservar respostas finais sem o conteúdo de raciocínio; o comportamento mais recente de preservação histórica não deve ser importado para esta versão.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent, incluindo ferramentas configuradas ou ligadas por MCP, e Qwen Code para agentes de programação. Indique as ferramentas permitidas e o resultado observável. Uma ferramenta ligada pode fornecer um cálculo, recuperação de fontes ou retorno real de execução; o modelo pode então utilizar essa informação na resposta. As ferramentas e ações externas pertencem à aplicação, pelo que o nome do modelo, isoladamente, não estabelece acesso ou execução.
Texto ultralongo
A extensão documentada utiliza YaRN com as definições posicionais próprias deste checkpoint. Um fator de quatro visa o fluxo de cerca de um milhão de tokens; para 524,288 tokens, o fabricante sugere um fator de dois. A escala estática pode afetar o desempenho com textos mais curtos, pelo que deve seguir a necessidade real de contexto maior. Entrada, representação visual, histórico, raciocínio e saída final partilham o orçamento de sequência. Organize material longo por documento ou identificador de código e deixe espaço para o artefacto pedido.
Recomendações de geração
As boas práticas da ficha distinguem várias predefinições. O raciocínio geral utiliza temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 1.5 e penalização de repetição 1.0. A programação precisa utiliza temperature 0.6 e penalização de presença zero. As respostas diretas gerais utilizam temperature 0.7, top_p 0.8 e penalização de presença 1.5; top_k é 20, min_p é 0 e a penalização de repetição é 1.0. Para tarefas de raciocínio com resposta direta, as boas práticas recomendam, em vez disso, temperature 1.0, top_p 1.0, top_k 40 e penalização de presença 2.0. São receitas específicas das tarefas, não valores para misturar indiscriminadamente. Penalizações de presença maiores podem causar mistura de idiomas ou uma ligeira redução de qualidade.
A Qwen recomenda geração até 32,768 tokens para a maioria das perguntas e 81,920 para perguntas matemáticas ou de programação invulgarmente complexas. São recomendações, não limites rígidos independentes de saída. Especifique o formato da resposta, como resultado matemático delimitado ou campo de resposta, e verifique a conclusão face à fonte.
Pormenor de vídeo e limites substantivos
O exemplo de vídeo do fabricante utiliza dois fotogramas por segundo por predefinição no fluxo suportado. As orientações à escala de horas expandem o orçamento do processador de vídeo para cerca de 224K tokens de vídeo, para amostragem de maior frequência. São exemplos dependentes da configuração, não uma garantia universal de duração ou tempos dos eventos. Mantenha legíveis texto pequeno e transições importantes da cena e verifique texto extraído, cálculos e código gerado antes de utilizar o resultado. O valor prático da edição 9B é o âmbito documentado de tarefas conjuntas de texto e visão e o modo de resposta controlável, preservando a identidade densa exata.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3.5-9b | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0003 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0003 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen/qwen3.5-9b
Use os caminhos dos métodos indicados acima.
qwen/qwen3.5-9bQwen3.5-9B é o modelo denso de visão e linguagem da Qwen de 9 mil milhões de parâmetros para texto, imagens e vídeo, com saída textual. Combina raciocínio, programação, chamadas a ferramentas e trabalho multilingue, com raciocínio selecionável e contexto nativo de 262,144 tokens extensível por configuração.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Destaques Qwen3.5 na edição densa 9B
Qwen3.5-9B é o checkpoint denso de visão e linguagem de 9 mil milhões de parâmetros, submetido a pós-treino. Recebe texto, imagens e vídeo e devolve texto. A família reúne raciocínio, programação, agentes e compreensão visual através de fusão precoce de treino textual e visual, aprendizagem por reforço em tarefas progressivamente complexas e suporte para 201 idiomas e dialetos. Essa cobertura linguística é uma capacidade da família, não uma garantia de fiabilidade idêntica para todos os idiomas ou temas.
Para trabalho documental multilingue, indique o idioma-alvo, preserve termos técnicos e peça que o resultado identifique os campos ou passagens das fontes utilizados. Numa pergunta visual, forneça uma imagem legível e uma tarefa precisa. Num pequeno pedido de programação, forneça a entrada, o comportamento desejado e o código relevante. O modelo não gera imagens ou vídeos ao analisar material visual.
Visão geral do modelo
Este modelo exato 9B é denso, com 32 camadas de modelo linguístico e um codificador visual. A disposição híbrida repete três camadas Gated DeltaNet seguidas de uma camada de atenção com portas, utilizando redes densas de propagação direta. A previsão de múltiplos tokens está incluída no treino. A família também contém modelos de especialistas esparsos, mas as suas descrições de parâmetros totais e ativados não devem ser aplicadas a esta edição densa.
O contexto nativo é de 262,144 tokens, com extensão condicional até 1,010,000. A configuração e a dimensão numérica do modelo devem manter-se distintas do checkpoint Base, de outras dimensões Qwen3.5 e de versões quantizadas. Uma contagem menor de parâmetros identifica a edição; não estabelece, por si só, um tempo de resposta universal nem uma classificação de qualidade. Para tarefas complexas de raciocínio, a Qwen recomenda manter, sempre que possível, um contexto configurado de pelo menos 128K tokens.
Entradas e modos de resposta
O fabricante mostra perguntas só de texto, de imagem e de vídeo. Forneça uma pergunta documental com a página relevante e os campos esperados ou uma pergunta de vídeo com o evento e o intervalo temporal importantes. Preserve rótulos, unidades e ordem dos fotogramas. Peça um resultado comparável com a fonte, como uma tabela de valores extraídos ou uma explicação que cite as provas visíveis.
O raciocínio está ativo por predefinição. enable_thinking pode desativá-lo para uma resposta direta, enquanto os antigos comandos de controlo do raciocínio no pedido, /think e /nothink, não são oficialmente suportados. Utilize o modelo de formatação do fabricante e separe raciocínio de texto final quando a interface fornecer ambos. A recomendação Qwen3.5 de histórico é conservar respostas finais sem o conteúdo de raciocínio; o comportamento mais recente de preservação histórica não deve ser importado para esta versão.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent, incluindo ferramentas configuradas ou ligadas por MCP, e Qwen Code para agentes de programação. Indique as ferramentas permitidas e o resultado observável. Uma ferramenta ligada pode fornecer um cálculo, recuperação de fontes ou retorno real de execução; o modelo pode então utilizar essa informação na resposta. As ferramentas e ações externas pertencem à aplicação, pelo que o nome do modelo, isoladamente, não estabelece acesso ou execução.
Texto ultralongo
A extensão documentada utiliza YaRN com as definições posicionais próprias deste checkpoint. Um fator de quatro visa o fluxo de cerca de um milhão de tokens; para 524,288 tokens, o fabricante sugere um fator de dois. A escala estática pode afetar o desempenho com textos mais curtos, pelo que deve seguir a necessidade real de contexto maior. Entrada, representação visual, histórico, raciocínio e saída final partilham o orçamento de sequência. Organize material longo por documento ou identificador de código e deixe espaço para o artefacto pedido.
Recomendações de geração
As boas práticas da ficha distinguem várias predefinições. O raciocínio geral utiliza temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 1.5 e penalização de repetição 1.0. A programação precisa utiliza temperature 0.6 e penalização de presença zero. As respostas diretas gerais utilizam temperature 0.7, top_p 0.8 e penalização de presença 1.5; top_k é 20, min_p é 0 e a penalização de repetição é 1.0. Para tarefas de raciocínio com resposta direta, as boas práticas recomendam, em vez disso, temperature 1.0, top_p 1.0, top_k 40 e penalização de presença 2.0. São receitas específicas das tarefas, não valores para misturar indiscriminadamente. Penalizações de presença maiores podem causar mistura de idiomas ou uma ligeira redução de qualidade.
A Qwen recomenda geração até 32,768 tokens para a maioria das perguntas e 81,920 para perguntas matemáticas ou de programação invulgarmente complexas. São recomendações, não limites rígidos independentes de saída. Especifique o formato da resposta, como resultado matemático delimitado ou campo de resposta, e verifique a conclusão face à fonte.
Pormenor de vídeo e limites substantivos
O exemplo de vídeo do fabricante utiliza dois fotogramas por segundo por predefinição no fluxo suportado. As orientações à escala de horas expandem o orçamento do processador de vídeo para cerca de 224K tokens de vídeo, para amostragem de maior frequência. São exemplos dependentes da configuração, não uma garantia universal de duração ou tempos dos eventos. Mantenha legíveis texto pequeno e transições importantes da cena e verifique texto extraído, cálculos e código gerado antes de utilizar o resultado. O valor prático da edição 9B é o âmbito documentado de tarefas conjuntas de texto e visão e o modo de resposta controlável, preservando a identidade densa exata.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3.5-9b | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0003 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0003 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen/qwen3.5-9b
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.