Qwen3.5:s huvuddrag: expertmodellen 122B-A10B
Qwen3.5-122B-A10B är en eftertränad modell för bild och språk för gemensamma text- och bilduppgifter. Den tar emot text, bilder och video och returnerar text, inklusive förklaringar, kodförslag och begärda dokumentartefakter. Familjen byggs genom tidig fusion av text och bild samt förstärkningsinlärning på successivt mer komplexa uppgifter och utvecklar resonemang, kodning, agenter och visuell förståelse. Den beskriver täckning av 201 språk och dialekter utan att antyda identisk tillförlitlighet för varje språk eller område.
En användbar uppgift kan kombinera en teknisk specifikation, diagram och relevant kod och be modellen förklara komponenterna och returnera ett implementationsförslag. En dokumentanalysuppgift kan be om en jämförelse med stödjande avsnitts- eller sidreferenser.
Modellöversikt
Den glesa mixture-of-experts-kontrollpunkten har totalt 122 miljarder parametrar och aktiverar tio miljarder. Den har 48 språkmodellager, med grupper om tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Tillverkaren anger 256 routade experter; modellen väljer åtta routade experter tillsammans med en gemensam expert. En bildkodare och flertokenprediktion ingår i modellen. Totalt och aktiverat antal har olika innebörd; det aktiverade antalet är inte den fullständiga kontrollpunktsstorleken.
Detta är en separat utgåva från den täta Qwen3.5-27B, den glesa Qwen3.5-35B-A3B och senare modellgenerationer. Härled ingen allmän prestanda- eller latensrangordning enbart från storleken. Den inbyggda kontexten är 262,144 token och den dokumenterade utökningen når 1,010,000 genom konfiguration. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemang och erkänner att minnestryck kan kräva ett mindre fönster.
Förbereda gemensamma text- och bildbelägg
Bevara diagrametiketter, diagramaxlar, tabellrubriker och enheter. Ange om resultatet ska förklara en relation, extrahera namngivna fält eller föreslå kod. När flera källor är viktiga ska de märkas och utdata organiserade efter samma identifierare begäras. Skilj synliga fakta från antaganden så att en granskare kan spåra resonemanget till det tillhandahållna materialet.
För en kodningsbegäran ska avsett beteende, relevant källkod och indata som demonstrerar problemet identifieras. Begär en redigerbar patch med en förklaring av berörda villkor och kontroller. För video ska händelsesekvens och timing bevaras och frågan specificeras i stället för att be om en odifferentierad sammanfattning. Modellens textresultat är ett artefaktutkast att inspektera; förmåga till visuella indata innebär inte bild-, video- eller talgenerering.
Resonemang och historik
Resonemang är aktiverat som standard och kommer före slutsvaret. Tillverkarens inställning enable_thinking kan stänga av det för direkta svar. De gamla mjuka omkopplarna /think och /nothink stöds inte officiellt. Qwen3.5 rekommenderar att slutsvar utan resonemangsinnehåll behålls i historiska assistentmeddelanden. Det ska inte ersättas av senare Qwen-generationers alternativ för historiskt bevarande bara för att de delar ett familjenamn.
Håll slutresultatet lätt att hitta, exempelvis ett definierat svarsfält, ett avgränsat värde eller en separat kodartefakt. Ett direkt svar behöver fortfarande kontrolleras, medan längre resonemang är användbara bara när stegen stöder en verifierbar slutsats.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg tillsammans med Qwen Code för kodningsagentarbete. Definiera tillåtna åtgärder, tillgängliga belägg och slutförandekriterier. Anslutna verktyg utför operationer och returnerar resultat; modellen använder återkopplingen i analysen. Ett föreslaget kommando, en sökfråga eller en patch ska förbli åtskilt från en åtgärd som faktiskt slutförts av applikationen.
Ultralång kontext och video
Tillverkarens utökning använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token, och två föreslås för arbetslaster på 524,288 token. Statisk skalning kan påverka prestandan för kortare text och ska därför följa ett verkligt behov av större kontext. Indata, representerat visuellt material, historik, resonemang och slutsvar använder alla den konfigurerade sekvensbudgeten.
Det stödda videoexemplet använder som standard två bildrutor per sekund. För timslångt material rekommenderar tillverkaren att processorbudgeten ökas till omkring 224K videotoken för sampling med högre frekvens. Det är ett konfigurationsberoende recept, inte en universell garanti för medievaraktighet, fullständig återgivning eller tidsstämpelprecision.
Genereringsråd och väsentliga begränsningar
Best Practices rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0 för allmänt resonemang. Precis kodning använder temperature 0.6 och närvarostraff noll. Allmänna direkta svar använder temperature 0.7, top_p 0.8 och närvarostraff 1.5; top_k är 20, min_p är 0 och upprepningsstraffet är 1.0. Resonemang med direkt svar har ett separat förval: temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Högre närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt komplex matematik eller programmering; de är inte separat fastställda hårda utdatatak. Definiera det begärda formatet, behåll källidentifierare och kontrollera beräkningar, extraherade värden och föreslagen kod mot ursprungliga belägg. Det användbara resultatet är en fullständig textartefakt vars antaganden och stödmaterial förblir synliga.
", "aboutText": "Qwen3.5:s huvuddrag: expertmodellen 122B-A10B\n\nQwen3.5-122B-A10B är en eftertränad modell för bild och språk för gemensamma text- och bilduppgifter. Den tar emot text, bilder och video och returnerar text, inklusive förklaringar, kodförslag och begärda dokumentartefakter. Familjen byggs genom tidig fusion av text och bild samt förstärkningsinlärning på successivt mer komplexa uppgifter och utvecklar resonemang, kodning, agenter och visuell förståelse. Den beskriver täckning av 201 språk och dialekter utan att antyda identisk tillförlitlighet för varje språk eller område.\n\nEn användbar uppgift kan kombinera en teknisk specifikation, diagram och relevant kod och be modellen förklara komponenterna och returnera ett implementationsförslag. En dokumentanalysuppgift kan be om en jämförelse med stödjande avsnitts- eller sidreferenser.\n\nModellöversikt\n\nDen glesa mixture-of-experts-kontrollpunkten har totalt 122 miljarder parametrar och aktiverar tio miljarder. Den har 48 språkmodellager, med grupper om tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Tillverkaren anger 256 routade experter; modellen väljer åtta routade experter tillsammans med en gemensam expert. En bildkodare och flertokenprediktion ingår i modellen. Totalt och aktiverat antal har olika innebörd; det aktiverade antalet är inte den fullständiga kontrollpunktsstorleken.\n\nDetta är en separat utgåva från den täta Qwen3.5-27B, den glesa Qwen3.5-35B-A3B och senare modellgenerationer. Härled ingen allmän prestanda- eller latensrangordning enbart från storleken. Den inbyggda kontexten är 262,144 token och den dokumenterade utökningen når 1,010,000 genom konfiguration. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemang och erkänner att minnestryck kan kräva ett mindre fönster.\n\nFörbereda gemensamma text- och bildbelägg\n\nBevara diagrametiketter, diagramaxlar, tabellrubriker och enheter. Ange om resultatet ska förklara en relation, extrahera namngivna fält eller föreslå kod. När flera källor är viktiga ska de märkas och utdata organiserade efter samma identifierare begäras. Skilj synliga fakta från antaganden så att en granskare kan spåra resonemanget till det tillhandahållna materialet.\n\nFör en kodningsbegäran ska avsett beteende, relevant källkod och indata som demonstrerar problemet identifieras. Begär en redigerbar patch med en förklaring av berörda villkor och kontroller. För video ska händelsesekvens och timing bevaras och frågan specificeras i stället för att be om en odifferentierad sammanfattning. Modellens textresultat är ett artefaktutkast att inspektera; förmåga till visuella indata innebär inte bild-, video- eller talgenerering.\n\nResonemang och historik\n\nResonemang är aktiverat som standard och kommer före slutsvaret. Tillverkarens inställning enable_thinking kan stänga av det för direkta svar. De gamla mjuka omkopplarna /think och /nothink stöds inte officiellt. Qwen3.5 rekommenderar att slutsvar utan resonemangsinnehåll behålls i historiska assistentmeddelanden. Det ska inte ersättas av senare Qwen-generationers alternativ för historiskt bevarande bara för att de delar ett familjenamn.\n\nHåll slutresultatet lätt att hitta, exempelvis ett definierat svarsfält, ett avgränsat värde eller en separat kodartefakt. Ett direkt svar behöver fortfarande kontrolleras, medan längre resonemang är användbara bara när stegen stöder en verifierbar slutsats.\n\nAgentanvändning\n\nQwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg tillsammans med Qwen Code för kodningsagentarbete. Definiera tillåtna åtgärder, tillgängliga belägg och slutförandekriterier. Anslutna verktyg utför operationer och returnerar resultat; modellen använder återkopplingen i analysen. Ett föreslaget kommando, en sökfråga eller en patch ska förbli åtskilt från en åtgärd som faktiskt slutförts av applikationen.\n\nUltralång kontext och video\n\nTillverkarens utökning använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token, och två föreslås för arbetslaster på 524,288 token. Statisk skalning kan påverka prestandan för kortare text och ska därför följa ett verkligt behov av större kontext. Indata, representerat visuellt material, historik, resonemang och slutsvar använder alla den konfigurerade sekvensbudgeten.\n\nDet stödda videoexemplet använder som standard två bildrutor per sekund. För timslångt material rekommenderar tillverkaren att processorbudgeten ökas till omkring 224K videotoken för sampling med högre frekvens. Det är ett konfigurationsberoende recept, inte en universell garanti för medievaraktighet, fullständig återgivning eller tidsstämpelprecision.\n\nGenereringsråd och väsentliga begränsningar\n\nBest Practices rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0 för allmänt resonemang. Precis kodning använder temperature 0.6 och närvarostraff noll. Allmänna direkta svar använder temperature 0.7, top_p 0.8 och närvarostraff 1.5; top_k är 20, min_p är 0 och upprepningsstraffet är 1.0. Resonemang med direkt svar har ett separat förval: temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Högre närvarostraff kan blanda språk eller sänka kvaliteten något.\n\nRekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt komplex matematik eller programmering; de är inte separat fastställda hårda utdatatak. Definiera det begärda formatet, behåll källidentifierare och kontrollera beräkningar, extraherade värden och föreslagen kod mot ursprungliga belägg. Det användbara resultatet är en fullständig textartefakt vars antaganden och stödmaterial förblir synliga.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B är Qwens mixture-of-experts-modell för bild och språk med totalt 122 miljarder och 10 miljarder aktiverade parametrar. Den tar emot text, bilder och video för resonemangs-, kodnings- och agentuppgifter och returnerar text med valbart resonemang och en inbyggd kontext på 262,144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.5:s huvuddrag: expertmodellen 122B-A10B
Qwen3.5-122B-A10B är en eftertränad modell för bild och språk för gemensamma text- och bilduppgifter. Den tar emot text, bilder och video och returnerar text, inklusive förklaringar, kodförslag och begärda dokumentartefakter. Familjen byggs genom tidig fusion av text och bild samt förstärkningsinlärning på successivt mer komplexa uppgifter och utvecklar resonemang, kodning, agenter och visuell förståelse. Den beskriver täckning av 201 språk och dialekter utan att antyda identisk tillförlitlighet för varje språk eller område.
En användbar uppgift kan kombinera en teknisk specifikation, diagram och relevant kod och be modellen förklara komponenterna och returnera ett implementationsförslag. En dokumentanalysuppgift kan be om en jämförelse med stödjande avsnitts- eller sidreferenser.
Modellöversikt
Den glesa mixture-of-experts-kontrollpunkten har totalt 122 miljarder parametrar och aktiverar tio miljarder. Den har 48 språkmodellager, med grupper om tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Tillverkaren anger 256 routade experter; modellen väljer åtta routade experter tillsammans med en gemensam expert. En bildkodare och flertokenprediktion ingår i modellen. Totalt och aktiverat antal har olika innebörd; det aktiverade antalet är inte den fullständiga kontrollpunktsstorleken.
Detta är en separat utgåva från den täta Qwen3.5-27B, den glesa Qwen3.5-35B-A3B och senare modellgenerationer. Härled ingen allmän prestanda- eller latensrangordning enbart från storleken. Den inbyggda kontexten är 262,144 token och den dokumenterade utökningen når 1,010,000 genom konfiguration. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemang och erkänner att minnestryck kan kräva ett mindre fönster.
Förbereda gemensamma text- och bildbelägg
Bevara diagrametiketter, diagramaxlar, tabellrubriker och enheter. Ange om resultatet ska förklara en relation, extrahera namngivna fält eller föreslå kod. När flera källor är viktiga ska de märkas och utdata organiserade efter samma identifierare begäras. Skilj synliga fakta från antaganden så att en granskare kan spåra resonemanget till det tillhandahållna materialet.
För en kodningsbegäran ska avsett beteende, relevant källkod och indata som demonstrerar problemet identifieras. Begär en redigerbar patch med en förklaring av berörda villkor och kontroller. För video ska händelsesekvens och timing bevaras och frågan specificeras i stället för att be om en odifferentierad sammanfattning. Modellens textresultat är ett artefaktutkast att inspektera; förmåga till visuella indata innebär inte bild-, video- eller talgenerering.
Resonemang och historik
Resonemang är aktiverat som standard och kommer före slutsvaret. Tillverkarens inställning enable_thinking kan stänga av det för direkta svar. De gamla mjuka omkopplarna /think och /nothink stöds inte officiellt. Qwen3.5 rekommenderar att slutsvar utan resonemangsinnehåll behålls i historiska assistentmeddelanden. Det ska inte ersättas av senare Qwen-generationers alternativ för historiskt bevarande bara för att de delar ett familjenamn.
Håll slutresultatet lätt att hitta, exempelvis ett definierat svarsfält, ett avgränsat värde eller en separat kodartefakt. Ett direkt svar behöver fortfarande kontrolleras, medan längre resonemang är användbara bara när stegen stöder en verifierbar slutsats.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg tillsammans med Qwen Code för kodningsagentarbete. Definiera tillåtna åtgärder, tillgängliga belägg och slutförandekriterier. Anslutna verktyg utför operationer och returnerar resultat; modellen använder återkopplingen i analysen. Ett föreslaget kommando, en sökfråga eller en patch ska förbli åtskilt från en åtgärd som faktiskt slutförts av applikationen.
Ultralång kontext och video
Tillverkarens utökning använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token, och två föreslås för arbetslaster på 524,288 token. Statisk skalning kan påverka prestandan för kortare text och ska därför följa ett verkligt behov av större kontext. Indata, representerat visuellt material, historik, resonemang och slutsvar använder alla den konfigurerade sekvensbudgeten.
Det stödda videoexemplet använder som standard två bildrutor per sekund. För timslångt material rekommenderar tillverkaren att processorbudgeten ökas till omkring 224K videotoken för sampling med högre frekvens. Det är ett konfigurationsberoende recept, inte en universell garanti för medievaraktighet, fullständig återgivning eller tidsstämpelprecision.
Genereringsråd och väsentliga begränsningar
Best Practices rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0 för allmänt resonemang. Precis kodning använder temperature 0.6 och närvarostraff noll. Allmänna direkta svar använder temperature 0.7, top_p 0.8 och närvarostraff 1.5; top_k är 20, min_p är 0 och upprepningsstraffet är 1.0. Resonemang med direkt svar har ett separat förval: temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Högre närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt komplex matematik eller programmering; de är inte separat fastställda hårda utdatatak. Definiera det begärda formatet, behåll källidentifierare och kontrollera beräkningar, extraherade värden och föreslagen kod mot ursprungliga belägg. Det användbara resultatet är en fullständig textartefakt vars antaganden och stödmaterial förblir synliga.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-122b-a10b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00058 / 1K token Utdata · Utdatatoken $0.00458 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00058 / 1K token Utdata · Utdatatoken $0.00458 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-122b-a10b", "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/qwen3.5-122b-a10b',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/qwen3.5-122b-a10b',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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.5-122b-a10bQwen3.5-122B-A10B är Qwens mixture-of-experts-modell för bild och språk med totalt 122 miljarder och 10 miljarder aktiverade parametrar. Den tar emot text, bilder och video för resonemangs-, kodnings- och agentuppgifter och returnerar text med valbart resonemang och en inbyggd kontext på 262,144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.5:s huvuddrag: expertmodellen 122B-A10B
Qwen3.5-122B-A10B är en eftertränad modell för bild och språk för gemensamma text- och bilduppgifter. Den tar emot text, bilder och video och returnerar text, inklusive förklaringar, kodförslag och begärda dokumentartefakter. Familjen byggs genom tidig fusion av text och bild samt förstärkningsinlärning på successivt mer komplexa uppgifter och utvecklar resonemang, kodning, agenter och visuell förståelse. Den beskriver täckning av 201 språk och dialekter utan att antyda identisk tillförlitlighet för varje språk eller område.
En användbar uppgift kan kombinera en teknisk specifikation, diagram och relevant kod och be modellen förklara komponenterna och returnera ett implementationsförslag. En dokumentanalysuppgift kan be om en jämförelse med stödjande avsnitts- eller sidreferenser.
Modellöversikt
Den glesa mixture-of-experts-kontrollpunkten har totalt 122 miljarder parametrar och aktiverar tio miljarder. Den har 48 språkmodellager, med grupper om tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Tillverkaren anger 256 routade experter; modellen väljer åtta routade experter tillsammans med en gemensam expert. En bildkodare och flertokenprediktion ingår i modellen. Totalt och aktiverat antal har olika innebörd; det aktiverade antalet är inte den fullständiga kontrollpunktsstorleken.
Detta är en separat utgåva från den täta Qwen3.5-27B, den glesa Qwen3.5-35B-A3B och senare modellgenerationer. Härled ingen allmän prestanda- eller latensrangordning enbart från storleken. Den inbyggda kontexten är 262,144 token och den dokumenterade utökningen når 1,010,000 genom konfiguration. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemang och erkänner att minnestryck kan kräva ett mindre fönster.
Förbereda gemensamma text- och bildbelägg
Bevara diagrametiketter, diagramaxlar, tabellrubriker och enheter. Ange om resultatet ska förklara en relation, extrahera namngivna fält eller föreslå kod. När flera källor är viktiga ska de märkas och utdata organiserade efter samma identifierare begäras. Skilj synliga fakta från antaganden så att en granskare kan spåra resonemanget till det tillhandahållna materialet.
För en kodningsbegäran ska avsett beteende, relevant källkod och indata som demonstrerar problemet identifieras. Begär en redigerbar patch med en förklaring av berörda villkor och kontroller. För video ska händelsesekvens och timing bevaras och frågan specificeras i stället för att be om en odifferentierad sammanfattning. Modellens textresultat är ett artefaktutkast att inspektera; förmåga till visuella indata innebär inte bild-, video- eller talgenerering.
Resonemang och historik
Resonemang är aktiverat som standard och kommer före slutsvaret. Tillverkarens inställning enable_thinking kan stänga av det för direkta svar. De gamla mjuka omkopplarna /think och /nothink stöds inte officiellt. Qwen3.5 rekommenderar att slutsvar utan resonemangsinnehåll behålls i historiska assistentmeddelanden. Det ska inte ersättas av senare Qwen-generationers alternativ för historiskt bevarande bara för att de delar ett familjenamn.
Håll slutresultatet lätt att hitta, exempelvis ett definierat svarsfält, ett avgränsat värde eller en separat kodartefakt. Ett direkt svar behöver fortfarande kontrolleras, medan längre resonemang är användbara bara när stegen stöder en verifierbar slutsats.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg tillsammans med Qwen Code för kodningsagentarbete. Definiera tillåtna åtgärder, tillgängliga belägg och slutförandekriterier. Anslutna verktyg utför operationer och returnerar resultat; modellen använder återkopplingen i analysen. Ett föreslaget kommando, en sökfråga eller en patch ska förbli åtskilt från en åtgärd som faktiskt slutförts av applikationen.
Ultralång kontext och video
Tillverkarens utökning använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token, och två föreslås för arbetslaster på 524,288 token. Statisk skalning kan påverka prestandan för kortare text och ska därför följa ett verkligt behov av större kontext. Indata, representerat visuellt material, historik, resonemang och slutsvar använder alla den konfigurerade sekvensbudgeten.
Det stödda videoexemplet använder som standard två bildrutor per sekund. För timslångt material rekommenderar tillverkaren att processorbudgeten ökas till omkring 224K videotoken för sampling med högre frekvens. Det är ett konfigurationsberoende recept, inte en universell garanti för medievaraktighet, fullständig återgivning eller tidsstämpelprecision.
Genereringsråd och väsentliga begränsningar
Best Practices rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0 för allmänt resonemang. Precis kodning använder temperature 0.6 och närvarostraff noll. Allmänna direkta svar använder temperature 0.7, top_p 0.8 och närvarostraff 1.5; top_k är 20, min_p är 0 och upprepningsstraffet är 1.0. Resonemang med direkt svar har ett separat förval: temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Högre närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt komplex matematik eller programmering; de är inte separat fastställda hårda utdatatak. Definiera det begärda formatet, behåll källidentifierare och kontrollera beräkningar, extraherade värden och föreslagen kod mot ursprungliga belägg. Det användbara resultatet är en fullständig textartefakt vars antaganden och stödmaterial förblir synliga.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-122b-a10b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00058 / 1K token Utdata · Utdatatoken $0.00458 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00058 / 1K token Utdata · Utdatatoken $0.00458 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.5-122b-a10b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-122b-a10b', '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/qwen3.5-122b-a10b', '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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3.5-122b-a10b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Check a process graph against its rule\n\nA process specification says validation must complete before persistence. Textual graph G1 is receive -> persist -> validate -> acknowledge. Code excerpt: save(record); validate(record); return "accepted". Propose an implementation correction and update the graph in text. Include a test showing that an invalid record never reaches save.A corrected sequence diagram in text, a focused code proposal and a test using an invalid record.Check that the graph and code agree on validate-before-save and that acknowledgment follows successful persistence.