Destaques Qwen3.6 num modelo denso 27B
Qwen3.6-27B é um modelo denso de visão e linguagem desenvolvido a partir de Qwen3.5-27B. O fabricante destaca agentes de programação e raciocínio STEM mais fortes, com melhorias em compreensão espacial, localização e deteção de objetos, OCR documental, compreensão de vídeo e agentes visuais. Recebe texto, imagens e vídeo e gera texto. Esta edição densa exata é distinta do modelo de mistura de especialistas Qwen3.6-35B-A3B, embora pertençam à mesma geração e partilhem o foco das tarefas.
Num diagrama STEM, forneça o enunciado completo e preserve rótulos e unidades. Peça ao modelo que separe factos diretamente visíveis de pressupostos e devolva uma explicação com resposta final clara. Num documento, especifique os campos ou afirmações a extrair e peça referências de suporte a páginas. Para um agente de programação, forneça os módulos relevantes, o comportamento desejado e o retorno real do fluxo ligado. Estes exemplos aplicam capacidades documentadas; não são afirmações de extração exata ou execução bem-sucedida.
Visão geral do modelo
O modelo tem 27 mil milhões de parâmetros e 64 camadas de modelo linguístico. A disposição híbrida repete três camadas Gated DeltaNet seguidas de uma camada de atenção com portas, utilizando redes densas de propagação direta em vez de especialistas esparsos. Um codificador visual disponibiliza compreensão de imagem e vídeo, e a previsão de múltiplos tokens faz parte do treino. Estes factos arquiteturais identificam o checkpoint sem classificar a qualidade ou o tempo de resposta de todas as aplicações.
O contexto nativo é de 262,144 tokens e pode ser estendido até 1,010,000 por configuração. A Qwen aconselha manter pelo menos 128K de contexto, sempre que possível, para raciocínio complexo, reconhecendo que a pressão sobre a memória pode exigir uma definição menor. Representações de imagens e vídeo, texto, mensagens históricas, raciocínio e resposta consomem espaço na sequência configurada.
Entradas e modos
O fabricante mostra perguntas de texto, imagem e vídeo. O raciocínio está ativo por predefinição, com um bloco antes da resposta final. enable_thinking pode desativar esse comportamento para uma resposta direta. Qwen3.6 não suporta oficialmente os antigos comandos de controlo do raciocínio no pedido, /think e /nothink. Mantenha o resultado exigido fácil de identificar após a explicação, como um valor calculado, uma tabela de campos extraídos ou um patch de código editável.
O exemplo de vídeo utiliza dois fotogramas por segundo por predefinição no fluxo suportado. Para vídeo à escala de horas, o fabricante recomenda aumentar o orçamento do processador para permitir amostragem de maior frequência, dando um exemplo correspondente a cerca de 224K tokens de vídeo. Mais pormenor visual exige mais orçamento de contexto e processamento. Essas definições não estabelecem uma duração incondicional de vídeo nem exatidão dos tempos dos eventos para todas as interfaces.
Raciocínio histórico
O modelo de formatação predefinido conserva o raciocínio associado à mensagem mais recente do utilizador. A opção preserve_thinking pode conservar adicionalmente raciocínio de mensagens históricas; o exemplo explícito do fabricante ativa-a com true. Isto pode apoiar desenvolvimento iterativo em que decisões anteriores continuam relevantes após novo retorno de ferramentas. Difere do comportamento predefinido de preservação documentado de Qwen3.8 e da orientação Qwen3.5 de histórico apenas com respostas finais. Siga o formato exato do checkpoint em vez de substituir silenciosamente as regras de histórico pelas de outra geração.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent com ferramentas configuradas ou ligadas por MCP, além de Qwen Code para trabalho de agentes de programação. Indique as ações permitidas e os critérios observáveis de conclusão. Uma ferramenta pode inspecionar material fornecido ou devolver um resultado real de verificação, após o qual o modelo pode rever a análise. O modelo não obtém acesso a um sistema de ficheiros, fontes atuais ou ambiente de execução apenas pela especialização em agentes.
Entrada ultralonga
A receita de extensão utiliza YaRN com as definições posicionais intercaladas deste modelo. Um fator de quatro visa o fluxo de cerca de um milhão de tokens; sugere-se um fator de dois para cargas de 524,288 tokens. A escala estática pode reduzir o desempenho com textos mais curtos, pelo que deve seguir a necessidade real de contexto longo. Mantenha páginas, funções e fronteiras documentais identificadas e peça conclusões que identifiquem as provas de suporte.
Recomendações de geração e limites
As boas práticas da ficha recomendam temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 0 e penalização de repetição 1.0 para raciocínio geral. Para programação precisa, temperature passa a 0.6. Para respostas diretas, temperature é 0.7, top_p 0.8 e penalização de presença 1.5, mantendo os restantes valores. O fabricante avisa que penalizações de presença maiores podem misturar idiomas ou reduzir ligeiramente a qualidade.
Os limites recomendados de geração são 32,768 tokens para a maioria das perguntas e 81,920 para trabalho matemático ou de programação invulgarmente difícil. Não são limites rígidos estabelecidos separadamente. Defina um formato de resposta final e confira texto extraído, conclusões espaciais, cálculos e código proposto com a fonte. Um contexto grande e raciocínio conservado ajudam a transportar provas pela tarefa; o artefacto que pode ser revisto continua a ser o resultado útil.
", "aboutText": "Destaques Qwen3.6 num modelo denso 27B\n\nQwen3.6-27B é um modelo denso de visão e linguagem desenvolvido a partir de Qwen3.5-27B. O fabricante destaca agentes de programação e raciocínio STEM mais fortes, com melhorias em compreensão espacial, localização e deteção de objetos, OCR documental, compreensão de vídeo e agentes visuais. Recebe texto, imagens e vídeo e gera texto. Esta edição densa exata é distinta do modelo de mistura de especialistas Qwen3.6-35B-A3B, embora pertençam à mesma geração e partilhem o foco das tarefas.\n\nNum diagrama STEM, forneça o enunciado completo e preserve rótulos e unidades. Peça ao modelo que separe factos diretamente visíveis de pressupostos e devolva uma explicação com resposta final clara. Num documento, especifique os campos ou afirmações a extrair e peça referências de suporte a páginas. Para um agente de programação, forneça os módulos relevantes, o comportamento desejado e o retorno real do fluxo ligado. Estes exemplos aplicam capacidades documentadas; não são afirmações de extração exata ou execução bem-sucedida.\n\nVisão geral do modelo\n\nO modelo tem 27 mil milhões de parâmetros e 64 camadas de modelo linguístico. A disposição híbrida repete três camadas Gated DeltaNet seguidas de uma camada de atenção com portas, utilizando redes densas de propagação direta em vez de especialistas esparsos. Um codificador visual disponibiliza compreensão de imagem e vídeo, e a previsão de múltiplos tokens faz parte do treino. Estes factos arquiteturais identificam o checkpoint sem classificar a qualidade ou o tempo de resposta de todas as aplicações.\n\nO contexto nativo é de 262,144 tokens e pode ser estendido até 1,010,000 por configuração. A Qwen aconselha manter pelo menos 128K de contexto, sempre que possível, para raciocínio complexo, reconhecendo que a pressão sobre a memória pode exigir uma definição menor. Representações de imagens e vídeo, texto, mensagens históricas, raciocínio e resposta consomem espaço na sequência configurada.\n\nEntradas e modos\n\nO fabricante mostra perguntas de texto, imagem e vídeo. O raciocínio está ativo por predefinição, com um bloco antes da resposta final. enable_thinking pode desativar esse comportamento para uma resposta direta. Qwen3.6 não suporta oficialmente os antigos comandos de controlo do raciocínio no pedido, /think e /nothink. Mantenha o resultado exigido fácil de identificar após a explicação, como um valor calculado, uma tabela de campos extraídos ou um patch de código editável.\n\nO exemplo de vídeo utiliza dois fotogramas por segundo por predefinição no fluxo suportado. Para vídeo à escala de horas, o fabricante recomenda aumentar o orçamento do processador para permitir amostragem de maior frequência, dando um exemplo correspondente a cerca de 224K tokens de vídeo. Mais pormenor visual exige mais orçamento de contexto e processamento. Essas definições não estabelecem uma duração incondicional de vídeo nem exatidão dos tempos dos eventos para todas as interfaces.\n\nRaciocínio histórico\n\nO modelo de formatação predefinido conserva o raciocínio associado à mensagem mais recente do utilizador. A opção preserve_thinking pode conservar adicionalmente raciocínio de mensagens históricas; o exemplo explícito do fabricante ativa-a com true. Isto pode apoiar desenvolvimento iterativo em que decisões anteriores continuam relevantes após novo retorno de ferramentas. Difere do comportamento predefinido de preservação documentado de Qwen3.8 e da orientação Qwen3.5 de histórico apenas com respostas finais. Siga o formato exato do checkpoint em vez de substituir silenciosamente as regras de histórico pelas de outra geração.\n\nUtilização em agentes\n\nA Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent com ferramentas configuradas ou ligadas por MCP, além de Qwen Code para trabalho de agentes de programação. Indique as ações permitidas e os critérios observáveis de conclusão. Uma ferramenta pode inspecionar material fornecido ou devolver um resultado real de verificação, após o qual o modelo pode rever a análise. O modelo não obtém acesso a um sistema de ficheiros, fontes atuais ou ambiente de execução apenas pela especialização em agentes.\n\nEntrada ultralonga\n\nA receita de extensão utiliza YaRN com as definições posicionais intercaladas deste modelo. Um fator de quatro visa o fluxo de cerca de um milhão de tokens; sugere-se um fator de dois para cargas de 524,288 tokens. A escala estática pode reduzir o desempenho com textos mais curtos, pelo que deve seguir a necessidade real de contexto longo. Mantenha páginas, funções e fronteiras documentais identificadas e peça conclusões que identifiquem as provas de suporte.\n\nRecomendações de geração e limites\n\nAs boas práticas da ficha recomendam temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 0 e penalização de repetição 1.0 para raciocínio geral. Para programação precisa, temperature passa a 0.6. Para respostas diretas, temperature é 0.7, top_p 0.8 e penalização de presença 1.5, mantendo os restantes valores. O fabricante avisa que penalizações de presença maiores podem misturar idiomas ou reduzir ligeiramente a qualidade.\n\nOs limites recomendados de geração são 32,768 tokens para a maioria das perguntas e 81,920 para trabalho matemático ou de programação invulgarmente difícil. Não são limites rígidos estabelecidos separadamente. Defina um formato de resposta final e confira texto extraído, conclusões espaciais, cálculos e código proposto com a fonte. Um contexto grande e raciocínio conservado ajudam a transportar provas pela tarefa; o artefacto que pode ser revisto continua a ser o resultado útil.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B é o modelo denso de visão e linguagem da Qwen para programação, raciocínio STEM e análise visual. Recebe texto, imagens e vídeo e devolve texto, com raciocínio selecionável, preservação opcional de raciocínio histórico e contexto nativo de 262,144 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Destaques Qwen3.6 num modelo denso 27B
Qwen3.6-27B é um modelo denso de visão e linguagem desenvolvido a partir de Qwen3.5-27B. O fabricante destaca agentes de programação e raciocínio STEM mais fortes, com melhorias em compreensão espacial, localização e deteção de objetos, OCR documental, compreensão de vídeo e agentes visuais. Recebe texto, imagens e vídeo e gera texto. Esta edição densa exata é distinta do modelo de mistura de especialistas Qwen3.6-35B-A3B, embora pertençam à mesma geração e partilhem o foco das tarefas.
Num diagrama STEM, forneça o enunciado completo e preserve rótulos e unidades. Peça ao modelo que separe factos diretamente visíveis de pressupostos e devolva uma explicação com resposta final clara. Num documento, especifique os campos ou afirmações a extrair e peça referências de suporte a páginas. Para um agente de programação, forneça os módulos relevantes, o comportamento desejado e o retorno real do fluxo ligado. Estes exemplos aplicam capacidades documentadas; não são afirmações de extração exata ou execução bem-sucedida.
Visão geral do modelo
O modelo tem 27 mil milhões de parâmetros e 64 camadas de modelo linguístico. A disposição híbrida repete três camadas Gated DeltaNet seguidas de uma camada de atenção com portas, utilizando redes densas de propagação direta em vez de especialistas esparsos. Um codificador visual disponibiliza compreensão de imagem e vídeo, e a previsão de múltiplos tokens faz parte do treino. Estes factos arquiteturais identificam o checkpoint sem classificar a qualidade ou o tempo de resposta de todas as aplicações.
O contexto nativo é de 262,144 tokens e pode ser estendido até 1,010,000 por configuração. A Qwen aconselha manter pelo menos 128K de contexto, sempre que possível, para raciocínio complexo, reconhecendo que a pressão sobre a memória pode exigir uma definição menor. Representações de imagens e vídeo, texto, mensagens históricas, raciocínio e resposta consomem espaço na sequência configurada.
Entradas e modos
O fabricante mostra perguntas de texto, imagem e vídeo. O raciocínio está ativo por predefinição, com um bloco antes da resposta final. enable_thinking pode desativar esse comportamento para uma resposta direta. Qwen3.6 não suporta oficialmente os antigos comandos de controlo do raciocínio no pedido, /think e /nothink. Mantenha o resultado exigido fácil de identificar após a explicação, como um valor calculado, uma tabela de campos extraídos ou um patch de código editável.
O exemplo de vídeo utiliza dois fotogramas por segundo por predefinição no fluxo suportado. Para vídeo à escala de horas, o fabricante recomenda aumentar o orçamento do processador para permitir amostragem de maior frequência, dando um exemplo correspondente a cerca de 224K tokens de vídeo. Mais pormenor visual exige mais orçamento de contexto e processamento. Essas definições não estabelecem uma duração incondicional de vídeo nem exatidão dos tempos dos eventos para todas as interfaces.
Raciocínio histórico
O modelo de formatação predefinido conserva o raciocínio associado à mensagem mais recente do utilizador. A opção preserve_thinking pode conservar adicionalmente raciocínio de mensagens históricas; o exemplo explícito do fabricante ativa-a com true. Isto pode apoiar desenvolvimento iterativo em que decisões anteriores continuam relevantes após novo retorno de ferramentas. Difere do comportamento predefinido de preservação documentado de Qwen3.8 e da orientação Qwen3.5 de histórico apenas com respostas finais. Siga o formato exato do checkpoint em vez de substituir silenciosamente as regras de histórico pelas de outra geração.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent com ferramentas configuradas ou ligadas por MCP, além de Qwen Code para trabalho de agentes de programação. Indique as ações permitidas e os critérios observáveis de conclusão. Uma ferramenta pode inspecionar material fornecido ou devolver um resultado real de verificação, após o qual o modelo pode rever a análise. O modelo não obtém acesso a um sistema de ficheiros, fontes atuais ou ambiente de execução apenas pela especialização em agentes.
Entrada ultralonga
A receita de extensão utiliza YaRN com as definições posicionais intercaladas deste modelo. Um fator de quatro visa o fluxo de cerca de um milhão de tokens; sugere-se um fator de dois para cargas de 524,288 tokens. A escala estática pode reduzir o desempenho com textos mais curtos, pelo que deve seguir a necessidade real de contexto longo. Mantenha páginas, funções e fronteiras documentais identificadas e peça conclusões que identifiquem as provas de suporte.
Recomendações de geração e limites
As boas práticas da ficha recomendam temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 0 e penalização de repetição 1.0 para raciocínio geral. Para programação precisa, temperature passa a 0.6. Para respostas diretas, temperature é 0.7, top_p 0.8 e penalização de presença 1.5, mantendo os restantes valores. O fabricante avisa que penalizações de presença maiores podem misturar idiomas ou reduzir ligeiramente a qualidade.
Os limites recomendados de geração são 32,768 tokens para a maioria das perguntas e 81,920 para trabalho matemático ou de programação invulgarmente difícil. Não são limites rígidos estabelecidos separadamente. Defina um formato de resposta final e confira texto extraído, conclusões espaciais, cálculos e código proposto com a fonte. Um contexto grande e raciocínio conservado ajudam a transportar provas pela tarefa; o artefacto que pode ser revisto continua a ser o resultado útil.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3.6-27b | 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 $0.0009 / 1K tokens Saída · Tokens de saída $0.0054 / 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 $0.0009 / 1K tokens Saída · Tokens de saída $0.0054 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "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/qwen3.6-27b',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/qwen3.6-27b',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/qwen3.6-27b
Use os caminhos dos métodos indicados acima.
qwen/qwen3.6-27bQwen3.6-27B é o modelo denso de visão e linguagem da Qwen para programação, raciocínio STEM e análise visual. Recebe texto, imagens e vídeo e devolve texto, com raciocínio selecionável, preservação opcional de raciocínio histórico e contexto nativo de 262,144 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Destaques Qwen3.6 num modelo denso 27B
Qwen3.6-27B é um modelo denso de visão e linguagem desenvolvido a partir de Qwen3.5-27B. O fabricante destaca agentes de programação e raciocínio STEM mais fortes, com melhorias em compreensão espacial, localização e deteção de objetos, OCR documental, compreensão de vídeo e agentes visuais. Recebe texto, imagens e vídeo e gera texto. Esta edição densa exata é distinta do modelo de mistura de especialistas Qwen3.6-35B-A3B, embora pertençam à mesma geração e partilhem o foco das tarefas.
Num diagrama STEM, forneça o enunciado completo e preserve rótulos e unidades. Peça ao modelo que separe factos diretamente visíveis de pressupostos e devolva uma explicação com resposta final clara. Num documento, especifique os campos ou afirmações a extrair e peça referências de suporte a páginas. Para um agente de programação, forneça os módulos relevantes, o comportamento desejado e o retorno real do fluxo ligado. Estes exemplos aplicam capacidades documentadas; não são afirmações de extração exata ou execução bem-sucedida.
Visão geral do modelo
O modelo tem 27 mil milhões de parâmetros e 64 camadas de modelo linguístico. A disposição híbrida repete três camadas Gated DeltaNet seguidas de uma camada de atenção com portas, utilizando redes densas de propagação direta em vez de especialistas esparsos. Um codificador visual disponibiliza compreensão de imagem e vídeo, e a previsão de múltiplos tokens faz parte do treino. Estes factos arquiteturais identificam o checkpoint sem classificar a qualidade ou o tempo de resposta de todas as aplicações.
O contexto nativo é de 262,144 tokens e pode ser estendido até 1,010,000 por configuração. A Qwen aconselha manter pelo menos 128K de contexto, sempre que possível, para raciocínio complexo, reconhecendo que a pressão sobre a memória pode exigir uma definição menor. Representações de imagens e vídeo, texto, mensagens históricas, raciocínio e resposta consomem espaço na sequência configurada.
Entradas e modos
O fabricante mostra perguntas de texto, imagem e vídeo. O raciocínio está ativo por predefinição, com um bloco antes da resposta final. enable_thinking pode desativar esse comportamento para uma resposta direta. Qwen3.6 não suporta oficialmente os antigos comandos de controlo do raciocínio no pedido, /think e /nothink. Mantenha o resultado exigido fácil de identificar após a explicação, como um valor calculado, uma tabela de campos extraídos ou um patch de código editável.
O exemplo de vídeo utiliza dois fotogramas por segundo por predefinição no fluxo suportado. Para vídeo à escala de horas, o fabricante recomenda aumentar o orçamento do processador para permitir amostragem de maior frequência, dando um exemplo correspondente a cerca de 224K tokens de vídeo. Mais pormenor visual exige mais orçamento de contexto e processamento. Essas definições não estabelecem uma duração incondicional de vídeo nem exatidão dos tempos dos eventos para todas as interfaces.
Raciocínio histórico
O modelo de formatação predefinido conserva o raciocínio associado à mensagem mais recente do utilizador. A opção preserve_thinking pode conservar adicionalmente raciocínio de mensagens históricas; o exemplo explícito do fabricante ativa-a com true. Isto pode apoiar desenvolvimento iterativo em que decisões anteriores continuam relevantes após novo retorno de ferramentas. Difere do comportamento predefinido de preservação documentado de Qwen3.8 e da orientação Qwen3.5 de histórico apenas com respostas finais. Siga o formato exato do checkpoint em vez de substituir silenciosamente as regras de histórico pelas de outra geração.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent com ferramentas configuradas ou ligadas por MCP, além de Qwen Code para trabalho de agentes de programação. Indique as ações permitidas e os critérios observáveis de conclusão. Uma ferramenta pode inspecionar material fornecido ou devolver um resultado real de verificação, após o qual o modelo pode rever a análise. O modelo não obtém acesso a um sistema de ficheiros, fontes atuais ou ambiente de execução apenas pela especialização em agentes.
Entrada ultralonga
A receita de extensão utiliza YaRN com as definições posicionais intercaladas deste modelo. Um fator de quatro visa o fluxo de cerca de um milhão de tokens; sugere-se um fator de dois para cargas de 524,288 tokens. A escala estática pode reduzir o desempenho com textos mais curtos, pelo que deve seguir a necessidade real de contexto longo. Mantenha páginas, funções e fronteiras documentais identificadas e peça conclusões que identifiquem as provas de suporte.
Recomendações de geração e limites
As boas práticas da ficha recomendam temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 0 e penalização de repetição 1.0 para raciocínio geral. Para programação precisa, temperature passa a 0.6. Para respostas diretas, temperature é 0.7, top_p 0.8 e penalização de presença 1.5, mantendo os restantes valores. O fabricante avisa que penalizações de presença maiores podem misturar idiomas ou reduzir ligeiramente a qualidade.
Os limites recomendados de geração são 32,768 tokens para a maioria das perguntas e 81,920 para trabalho matemático ou de programação invulgarmente difícil. Não são limites rígidos estabelecidos separadamente. Defina um formato de resposta final e confira texto extraído, conclusões espaciais, cálculos e código proposto com a fonte. Um contexto grande e raciocínio conservado ajudam a transportar provas pela tarefa; o artefacto que pode ser revisto continua a ser o resultado útil.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3.6-27b | 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 $0.0009 / 1K tokens Saída · Tokens de saída $0.0054 / 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 $0.0009 / 1K tokens Saída · Tokens de saída $0.0054 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.6-27b', '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/qwen3.6-27b', '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/qwen3.6-27b
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.