Destaques Qwen3.6: programação e continuidade de raciocínio
Qwen3.6-35B-A3B é um modelo de visão e linguagem centrado em trabalho útil de programação e agentes. A Qwen destaca fluxos de frontend e raciocínio ao nível do repositório melhorados, além de uma nova opção para conservar raciocínio de mensagens históricas. Recebe texto, imagens e vídeo e devolve texto: uma explicação, proposta de código, análise estruturada ou outro artefacto textual pedido. Preserve esta edição exata 35B-A3B, em vez de a tratar como o modelo denso Qwen3.6-27B ou o seu antecessor Qwen3.5.
Numa tarefa de frontend, forneça a captura de ecrã relevante, os requisitos funcionais e o contexto de código existente. Peça código-fonte editável e uma descrição dos estados e interações pretendidos. Numa tarefa de repositório, identifique a funcionalidade afetada, a entrada que expõe o problema e o comportamento esperado. Peça um patch proposto com os pressupostos e verificações relevantes.
Visão geral do modelo
O modelo de mistura de especialistas tem 35 mil milhões de parâmetros no total e ativa três mil milhões. A disposição híbrida de 40 camadas repete três camadas de especialistas Gated DeltaNet seguidas de uma camada de especialistas com atenção com portas. Tem 256 especialistas encaminhados e seleciona oito com um especialista partilhado; a previsão de múltiplos tokens faz parte do treino. A contagem menor de parâmetros ativados não descreve a dimensão total do checkpoint. Um codificador visual fornece a componente visual do modelo.
O contexto nativo é de 262,144 tokens, com extensão condicional até 1,010,000. O fabricante recomenda conservar, sempre que possível, um contexto de pelo menos 128K para tarefas complexas de raciocínio, mesmo que reduzi-lo alivie a pressão sobre a memória. Texto de origem, representações visuais, mensagens históricas, raciocínio e resposta final partilham o limite de sequência configurado.
Utilizar entradas e modos de resposta
A ficha mostra perguntas de texto, imagem e vídeo. Num diagrama ou página, preserve os rótulos e defina a pergunta exata. Num excerto, mantenha os tempos e indique o evento de interesse. O exemplo de vídeo suportado do fabricante utiliza dois fotogramas por segundo por predefinição e permite configurar a amostragem. A receita de boas práticas expande o orçamento do processador de vídeo para cerca de 224K tokens de vídeo, para análise à escala de horas com amostragem de maior frequência; é um exemplo de configuração, não um limite rígido universal de duração.
O raciocínio está ativo por predefinição. O controlo enable_thinking do fabricante pode desativá-lo para uma resposta direta. Qwen3.6 não suporta oficialmente os antigos comandos de controlo do raciocínio no pedido do Qwen3, /think e /nothink. Separe o raciocínio do artefacto final ao apresentar um resultado e siga a interface própria deste checkpoint, em vez de presumir que se aplicam marcadores de pedido ou controlos de outra geração.
Preservar raciocínio histórico
Por predefinição, o modelo de formatação conserva blocos de raciocínio associados à mensagem mais recente do utilizador. Qwen3.6 foi adicionalmente treinado para utilizar raciocínio histórico quando preserve_thinking está ativo. O exemplo explícito define essa opção como true. Isto pode ajudar uma tarefa iterativa de agente a conservar o contexto de decisão, em vez de voltar repetidamente a deduzir escolhas anteriores; também altera a quantidade de histórico transportada pelo pedido. A disponibilidade da opção depende de a interface expor a receita do fabricante.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent para as configurar, incluindo ferramentas ligadas por MCP. Qwen Code é outro fluxo de agente de programação documentado pelo fabricante. Defina as ferramentas permitidas, o objetivo e o entregável esperado e devolva ao modelo observações reais das ferramentas. O modelo pode raciocinar sobre um resultado e rever um plano; o acesso a ficheiros ou ambientes de execução provém da aplicação ligada, não do nome do modelo.
Texto ultralongo
A extensão de contexto documentada utiliza YaRN com as definições posicionais intercaladas do checkpoint. Um fator de quatro visa o fluxo de aproximadamente um milhão de tokens; para cargas de 524,288 tokens, a Qwen sugere um fator de dois. A escala estática pode afetar o desempenho com textos mais curtos, pelo que o fabricante recomenda alterá-la quando for necessário o contexto maior. Conserve identificadores de secções e de código numa entrada extensa e peça ao resultado que mostre as provas de suporte de cada conclusão.
Orientações de geração e limites
Para raciocínio geral, o fabricante recomenda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 1.5 e penalização de repetição 1.0. Para programação precisa, temperature passa a 0.6 e a penalização de presença a zero. Para respostas diretas, recomenda temperature 0.7, top_p 0.8 e penalização de presença 1.5, mantendo os restantes valores. Penalizações de presença superiores podem reduzir repetição, mas podem misturar idiomas ou reduzir ligeiramente a qualidade.
A Qwen recomenda geração até 32,768 tokens para a maioria das perguntas e 81,920 para tarefas matemáticas ou de programação invulgarmente complexas. São recomendações, não limites rígidos de saída estabelecidos separadamente. Indique explicitamente o formato final e confira código, cálculos e pormenores visuais extraídos com a fonte. A continuidade de raciocínio e o contexto longo ajudam a transportar as provas da tarefa, enquanto um artefacto final verificável torna o resultado útil.
", "aboutText": "Destaques Qwen3.6: programação e continuidade de raciocínio\n\nQwen3.6-35B-A3B é um modelo de visão e linguagem centrado em trabalho útil de programação e agentes. A Qwen destaca fluxos de frontend e raciocínio ao nível do repositório melhorados, além de uma nova opção para conservar raciocínio de mensagens históricas. Recebe texto, imagens e vídeo e devolve texto: uma explicação, proposta de código, análise estruturada ou outro artefacto textual pedido. Preserve esta edição exata 35B-A3B, em vez de a tratar como o modelo denso Qwen3.6-27B ou o seu antecessor Qwen3.5.\n\nNuma tarefa de frontend, forneça a captura de ecrã relevante, os requisitos funcionais e o contexto de código existente. Peça código-fonte editável e uma descrição dos estados e interações pretendidos. Numa tarefa de repositório, identifique a funcionalidade afetada, a entrada que expõe o problema e o comportamento esperado. Peça um patch proposto com os pressupostos e verificações relevantes.\n\nVisão geral do modelo\n\nO modelo de mistura de especialistas tem 35 mil milhões de parâmetros no total e ativa três mil milhões. A disposição híbrida de 40 camadas repete três camadas de especialistas Gated DeltaNet seguidas de uma camada de especialistas com atenção com portas. Tem 256 especialistas encaminhados e seleciona oito com um especialista partilhado; a previsão de múltiplos tokens faz parte do treino. A contagem menor de parâmetros ativados não descreve a dimensão total do checkpoint. Um codificador visual fornece a componente visual do modelo.\n\nO contexto nativo é de 262,144 tokens, com extensão condicional até 1,010,000. O fabricante recomenda conservar, sempre que possível, um contexto de pelo menos 128K para tarefas complexas de raciocínio, mesmo que reduzi-lo alivie a pressão sobre a memória. Texto de origem, representações visuais, mensagens históricas, raciocínio e resposta final partilham o limite de sequência configurado.\n\nUtilizar entradas e modos de resposta\n\nA ficha mostra perguntas de texto, imagem e vídeo. Num diagrama ou página, preserve os rótulos e defina a pergunta exata. Num excerto, mantenha os tempos e indique o evento de interesse. O exemplo de vídeo suportado do fabricante utiliza dois fotogramas por segundo por predefinição e permite configurar a amostragem. A receita de boas práticas expande o orçamento do processador de vídeo para cerca de 224K tokens de vídeo, para análise à escala de horas com amostragem de maior frequência; é um exemplo de configuração, não um limite rígido universal de duração.\n\nO raciocínio está ativo por predefinição. O controlo enable_thinking do fabricante pode desativá-lo para uma resposta direta. Qwen3.6 não suporta oficialmente os antigos comandos de controlo do raciocínio no pedido do Qwen3, /think e /nothink. Separe o raciocínio do artefacto final ao apresentar um resultado e siga a interface própria deste checkpoint, em vez de presumir que se aplicam marcadores de pedido ou controlos de outra geração.\n\nPreservar raciocínio histórico\n\nPor predefinição, o modelo de formatação conserva blocos de raciocínio associados à mensagem mais recente do utilizador. Qwen3.6 foi adicionalmente treinado para utilizar raciocínio histórico quando preserve_thinking está ativo. O exemplo explícito define essa opção como true. Isto pode ajudar uma tarefa iterativa de agente a conservar o contexto de decisão, em vez de voltar repetidamente a deduzir escolhas anteriores; também altera a quantidade de histórico transportada pelo pedido. A disponibilidade da opção depende de a interface expor a receita do fabricante.\n\nUtilização em agentes\n\nA Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent para as configurar, incluindo ferramentas ligadas por MCP. Qwen Code é outro fluxo de agente de programação documentado pelo fabricante. Defina as ferramentas permitidas, o objetivo e o entregável esperado e devolva ao modelo observações reais das ferramentas. O modelo pode raciocinar sobre um resultado e rever um plano; o acesso a ficheiros ou ambientes de execução provém da aplicação ligada, não do nome do modelo.\n\nTexto ultralongo\n\nA extensão de contexto documentada utiliza YaRN com as definições posicionais intercaladas do checkpoint. Um fator de quatro visa o fluxo de aproximadamente um milhão de tokens; para cargas de 524,288 tokens, a Qwen sugere um fator de dois. A escala estática pode afetar o desempenho com textos mais curtos, pelo que o fabricante recomenda alterá-la quando for necessário o contexto maior. Conserve identificadores de secções e de código numa entrada extensa e peça ao resultado que mostre as provas de suporte de cada conclusão.\n\nOrientações de geração e limites\n\nPara raciocínio geral, o fabricante recomenda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 1.5 e penalização de repetição 1.0. Para programação precisa, temperature passa a 0.6 e a penalização de presença a zero. Para respostas diretas, recomenda temperature 0.7, top_p 0.8 e penalização de presença 1.5, mantendo os restantes valores. Penalizações de presença superiores podem reduzir repetição, mas podem misturar idiomas ou reduzir ligeiramente a qualidade.\n\nA Qwen recomenda geração até 32,768 tokens para a maioria das perguntas e 81,920 para tarefas matemáticas ou de programação invulgarmente complexas. São recomendações, não limites rígidos de saída estabelecidos separadamente. Indique explicitamente o formato final e confira código, cálculos e pormenores visuais extraídos com a fonte. A continuidade de raciocínio e o contexto longo ajudam a transportar as provas da tarefa, enquanto um artefacto final verificável torna o resultado útil.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 é o modelo de visão e linguagem da Qwen com mistura de especialistas, 35 mil milhões de parâmetros totais e 3 mil milhões ativados. Centra-se na programação de frontend e na programação ao nível do repositório, acrescenta preservação opcional do raciocínio histórico e recebe texto, imagens e vídeo com saída textual.
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: programação e continuidade de raciocínio
Qwen3.6-35B-A3B é um modelo de visão e linguagem centrado em trabalho útil de programação e agentes. A Qwen destaca fluxos de frontend e raciocínio ao nível do repositório melhorados, além de uma nova opção para conservar raciocínio de mensagens históricas. Recebe texto, imagens e vídeo e devolve texto: uma explicação, proposta de código, análise estruturada ou outro artefacto textual pedido. Preserve esta edição exata 35B-A3B, em vez de a tratar como o modelo denso Qwen3.6-27B ou o seu antecessor Qwen3.5.
Numa tarefa de frontend, forneça a captura de ecrã relevante, os requisitos funcionais e o contexto de código existente. Peça código-fonte editável e uma descrição dos estados e interações pretendidos. Numa tarefa de repositório, identifique a funcionalidade afetada, a entrada que expõe o problema e o comportamento esperado. Peça um patch proposto com os pressupostos e verificações relevantes.
Visão geral do modelo
O modelo de mistura de especialistas tem 35 mil milhões de parâmetros no total e ativa três mil milhões. A disposição híbrida de 40 camadas repete três camadas de especialistas Gated DeltaNet seguidas de uma camada de especialistas com atenção com portas. Tem 256 especialistas encaminhados e seleciona oito com um especialista partilhado; a previsão de múltiplos tokens faz parte do treino. A contagem menor de parâmetros ativados não descreve a dimensão total do checkpoint. Um codificador visual fornece a componente visual do modelo.
O contexto nativo é de 262,144 tokens, com extensão condicional até 1,010,000. O fabricante recomenda conservar, sempre que possível, um contexto de pelo menos 128K para tarefas complexas de raciocínio, mesmo que reduzi-lo alivie a pressão sobre a memória. Texto de origem, representações visuais, mensagens históricas, raciocínio e resposta final partilham o limite de sequência configurado.
Utilizar entradas e modos de resposta
A ficha mostra perguntas de texto, imagem e vídeo. Num diagrama ou página, preserve os rótulos e defina a pergunta exata. Num excerto, mantenha os tempos e indique o evento de interesse. O exemplo de vídeo suportado do fabricante utiliza dois fotogramas por segundo por predefinição e permite configurar a amostragem. A receita de boas práticas expande o orçamento do processador de vídeo para cerca de 224K tokens de vídeo, para análise à escala de horas com amostragem de maior frequência; é um exemplo de configuração, não um limite rígido universal de duração.
O raciocínio está ativo por predefinição. O controlo enable_thinking do fabricante pode desativá-lo para uma resposta direta. Qwen3.6 não suporta oficialmente os antigos comandos de controlo do raciocínio no pedido do Qwen3, /think e /nothink. Separe o raciocínio do artefacto final ao apresentar um resultado e siga a interface própria deste checkpoint, em vez de presumir que se aplicam marcadores de pedido ou controlos de outra geração.
Preservar raciocínio histórico
Por predefinição, o modelo de formatação conserva blocos de raciocínio associados à mensagem mais recente do utilizador. Qwen3.6 foi adicionalmente treinado para utilizar raciocínio histórico quando preserve_thinking está ativo. O exemplo explícito define essa opção como true. Isto pode ajudar uma tarefa iterativa de agente a conservar o contexto de decisão, em vez de voltar repetidamente a deduzir escolhas anteriores; também altera a quantidade de histórico transportada pelo pedido. A disponibilidade da opção depende de a interface expor a receita do fabricante.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent para as configurar, incluindo ferramentas ligadas por MCP. Qwen Code é outro fluxo de agente de programação documentado pelo fabricante. Defina as ferramentas permitidas, o objetivo e o entregável esperado e devolva ao modelo observações reais das ferramentas. O modelo pode raciocinar sobre um resultado e rever um plano; o acesso a ficheiros ou ambientes de execução provém da aplicação ligada, não do nome do modelo.
Texto ultralongo
A extensão de contexto documentada utiliza YaRN com as definições posicionais intercaladas do checkpoint. Um fator de quatro visa o fluxo de aproximadamente um milhão de tokens; para cargas de 524,288 tokens, a Qwen sugere um fator de dois. A escala estática pode afetar o desempenho com textos mais curtos, pelo que o fabricante recomenda alterá-la quando for necessário o contexto maior. Conserve identificadores de secções e de código numa entrada extensa e peça ao resultado que mostre as provas de suporte de cada conclusão.
Orientações de geração e limites
Para raciocínio geral, o fabricante recomenda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 1.5 e penalização de repetição 1.0. Para programação precisa, temperature passa a 0.6 e a penalização de presença a zero. Para respostas diretas, recomenda temperature 0.7, top_p 0.8 e penalização de presença 1.5, mantendo os restantes valores. Penalizações de presença superiores podem reduzir repetição, mas podem misturar idiomas ou reduzir ligeiramente a qualidade.
A Qwen recomenda geração até 32,768 tokens para a maioria das perguntas e 81,920 para tarefas matemáticas ou de programação invulgarmente complexas. São recomendações, não limites rígidos de saída estabelecidos separadamente. Indique explicitamente o formato final e confira código, cálculos e pormenores visuais extraídos com a fonte. A continuidade de raciocínio e o contexto longo ajudam a transportar as provas da tarefa, enquanto um artefacto final verificável torna o resultado útil.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K tokens Saída · Tokens de saída $0.00341 / 1K tokens Entrada · Leitura da cache $0.0001 / 1K tokens Entrada · Escrita na cache $0 / 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 $0.000566 / 1K tokens Saída · Tokens de saída $0.00341 / 1K tokens Entrada · Leitura da cache $0.0001 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-35b-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 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/qwen3.6-35b-a3b
Use os caminhos dos métodos indicados acima.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B é o modelo de visão e linguagem da Qwen com mistura de especialistas, 35 mil milhões de parâmetros totais e 3 mil milhões ativados. Centra-se na programação de frontend e na programação ao nível do repositório, acrescenta preservação opcional do raciocínio histórico e recebe texto, imagens e vídeo com saída textual.
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: programação e continuidade de raciocínio
Qwen3.6-35B-A3B é um modelo de visão e linguagem centrado em trabalho útil de programação e agentes. A Qwen destaca fluxos de frontend e raciocínio ao nível do repositório melhorados, além de uma nova opção para conservar raciocínio de mensagens históricas. Recebe texto, imagens e vídeo e devolve texto: uma explicação, proposta de código, análise estruturada ou outro artefacto textual pedido. Preserve esta edição exata 35B-A3B, em vez de a tratar como o modelo denso Qwen3.6-27B ou o seu antecessor Qwen3.5.
Numa tarefa de frontend, forneça a captura de ecrã relevante, os requisitos funcionais e o contexto de código existente. Peça código-fonte editável e uma descrição dos estados e interações pretendidos. Numa tarefa de repositório, identifique a funcionalidade afetada, a entrada que expõe o problema e o comportamento esperado. Peça um patch proposto com os pressupostos e verificações relevantes.
Visão geral do modelo
O modelo de mistura de especialistas tem 35 mil milhões de parâmetros no total e ativa três mil milhões. A disposição híbrida de 40 camadas repete três camadas de especialistas Gated DeltaNet seguidas de uma camada de especialistas com atenção com portas. Tem 256 especialistas encaminhados e seleciona oito com um especialista partilhado; a previsão de múltiplos tokens faz parte do treino. A contagem menor de parâmetros ativados não descreve a dimensão total do checkpoint. Um codificador visual fornece a componente visual do modelo.
O contexto nativo é de 262,144 tokens, com extensão condicional até 1,010,000. O fabricante recomenda conservar, sempre que possível, um contexto de pelo menos 128K para tarefas complexas de raciocínio, mesmo que reduzi-lo alivie a pressão sobre a memória. Texto de origem, representações visuais, mensagens históricas, raciocínio e resposta final partilham o limite de sequência configurado.
Utilizar entradas e modos de resposta
A ficha mostra perguntas de texto, imagem e vídeo. Num diagrama ou página, preserve os rótulos e defina a pergunta exata. Num excerto, mantenha os tempos e indique o evento de interesse. O exemplo de vídeo suportado do fabricante utiliza dois fotogramas por segundo por predefinição e permite configurar a amostragem. A receita de boas práticas expande o orçamento do processador de vídeo para cerca de 224K tokens de vídeo, para análise à escala de horas com amostragem de maior frequência; é um exemplo de configuração, não um limite rígido universal de duração.
O raciocínio está ativo por predefinição. O controlo enable_thinking do fabricante pode desativá-lo para uma resposta direta. Qwen3.6 não suporta oficialmente os antigos comandos de controlo do raciocínio no pedido do Qwen3, /think e /nothink. Separe o raciocínio do artefacto final ao apresentar um resultado e siga a interface própria deste checkpoint, em vez de presumir que se aplicam marcadores de pedido ou controlos de outra geração.
Preservar raciocínio histórico
Por predefinição, o modelo de formatação conserva blocos de raciocínio associados à mensagem mais recente do utilizador. Qwen3.6 foi adicionalmente treinado para utilizar raciocínio histórico quando preserve_thinking está ativo. O exemplo explícito define essa opção como true. Isto pode ajudar uma tarefa iterativa de agente a conservar o contexto de decisão, em vez de voltar repetidamente a deduzir escolhas anteriores; também altera a quantidade de histórico transportada pelo pedido. A disponibilidade da opção depende de a interface expor a receita do fabricante.
Utilização em agentes
A Qwen documenta chamadas a ferramentas e recomenda Qwen-Agent para as configurar, incluindo ferramentas ligadas por MCP. Qwen Code é outro fluxo de agente de programação documentado pelo fabricante. Defina as ferramentas permitidas, o objetivo e o entregável esperado e devolva ao modelo observações reais das ferramentas. O modelo pode raciocinar sobre um resultado e rever um plano; o acesso a ficheiros ou ambientes de execução provém da aplicação ligada, não do nome do modelo.
Texto ultralongo
A extensão de contexto documentada utiliza YaRN com as definições posicionais intercaladas do checkpoint. Um fator de quatro visa o fluxo de aproximadamente um milhão de tokens; para cargas de 524,288 tokens, a Qwen sugere um fator de dois. A escala estática pode afetar o desempenho com textos mais curtos, pelo que o fabricante recomenda alterá-la quando for necessário o contexto maior. Conserve identificadores de secções e de código numa entrada extensa e peça ao resultado que mostre as provas de suporte de cada conclusão.
Orientações de geração e limites
Para raciocínio geral, o fabricante recomenda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalização de presença 1.5 e penalização de repetição 1.0. Para programação precisa, temperature passa a 0.6 e a penalização de presença a zero. Para respostas diretas, recomenda temperature 0.7, top_p 0.8 e penalização de presença 1.5, mantendo os restantes valores. Penalizações de presença superiores podem reduzir repetição, mas podem misturar idiomas ou reduzir ligeiramente a qualidade.
A Qwen recomenda geração até 32,768 tokens para a maioria das perguntas e 81,920 para tarefas matemáticas ou de programação invulgarmente complexas. São recomendações, não limites rígidos de saída estabelecidos separadamente. Indique explicitamente o formato final e confira código, cálculos e pormenores visuais extraídos com a fonte. A continuidade de raciocínio e o contexto longo ajudam a transportar as provas da tarefa, enquanto um artefacto final verificável torna o resultado útil.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3.6-35b-a3b | 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 $0.000566 / 1K tokens Saída · Tokens de saída $0.00341 / 1K tokens Entrada · Leitura da cache $0.0001 / 1K tokens Entrada · Escrita na cache $0 / 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 $0.000566 / 1K tokens Saída · Tokens de saída $0.00341 / 1K tokens Entrada · Leitura da cache $0.0001 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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/qwen3.6-35b-a3b
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.