Qwen3.5:s huvuddrag i den täta 27B-utgåvan
Qwen3.5-27B är en eftertränad tät modell för bild och språk. Text, bilder och video kan ingå i en uppgift, medan resultatet är text: en förklaring, ett kodförslag, extraherad information eller en annan begärd artefakt. Familjens tidiga fusion av text- och bildträning utvecklar resonemangs-, kodnings-, agent- och visuella förmågor, med förstärkningsinlärning över alltmer komplexa uppgifter och stöd för 201 språk och dialekter.
Språktäckningen hjälper till att formulera flerspråkiga uppgifter men garanterar inte identisk tillförlitlighet för varje dialekt eller specialistvokabulär. Ange målspråk, målgrupp och termer som ska förbli oförändrade. För en dokumentjämförelse mellan språk ska varje källa märkas och ett resultat organiserat efter fakta eller frågor som behöver jämföras begäras.
Modellöversikt
Den specifika 27B-utgåvan är tät, med 64 språkmodellager och en bildkodare. Hybridlayouten växlar mellan grupper med tre Gated DeltaNet-lager och ett gated-attention-lager och använder täta framåtriktade nätverk. Flertokenprediktion ingår i träningen. Den glesa mixture-of-experts-arkitektur som beskrivs för andra Qwen3.5-storlekar ska inte tillskrivas denna modell; identiteten med 27 miljarder parametrar är dess egen kontrollpunktsspecifikation.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemangsuppgifter och tillåter mindre inställningar när minnesbegränsningar kräver det. Detta är konfigurationsråd snarare än bevis för att varje gränssnitt exponerar hela kontexten. Källtext, visuella token, historik, resonemang och svaret delar sekvensramen.
Förbereda text och visuellt material
För ett tekniskt dokument ska avsnittsidentifierare behållas och en kravtabell eller förklaring med stöd i avsnitten begäras. För ett diagram ska etiketter bevaras och definitioner som inte syns i bilden tillhandahållas. För en koduppgift ska relevant funktion, observerat beteende och nödvändigt resultat ges. Ett användbart svar ska identifiera använda belägg, skilja ut antaganden och returnera slutartefakten i en granskningsbar form.
För en videofråga ska den viktiga händelsen eller sekvensen identifieras och timing och bildruteordning bevaras. Tillverkarens exempel använder två bildrutor per sekund i det stödda flödet. Råden för lång video rekommenderar en större processorbudget, motsvarande omkring 224K videotoken, för timslång analys med högre frekvens. Inställningarna kräver konfiguration och fastställer ingen universell garanti för varaktighet eller exakta händelsetidsstämplar.
Resonemang och direkta svar
Resonemang är aktiverat som standard och föregår slutsvaret. enable_thinking kan stänga av det för ett direkt svar. Qwen3.5 stöder inte officiellt de äldre mjuka omkopplarna /think och /nothink. Tillverkaren rekommenderar att bara slutsvarstext behålls i historiska assistentmeddelanden, inte resonemangsinnehållet. Detta är Qwen3.5-kontraktet och ska förbli åtskilt från beteendet för historiskt resonemangsbevarande som dokumenteras för senare utgåvor.
Välj en slutform innan uppgiften skickas: en kort slutsats med stödjande värden, en tabell med extraherade fält eller en förklarad kodpatch. Ett direkt svar är fortfarande ett genererat svar att granska; en lång resonemangstranskription är inget oberoende bevis för att slutsatsen är korrekt.
Agentanvändning
Tillverkaren stöder verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodningsagentflöden. Ge applikationens verktyg en tydlig roll och returnera faktiska observationer till modellen. Modellen kan planera och revidera med hjälp av återkopplingen, medan applikationen utför åtgärderna. Verktygsstöd fastställer inte i sig inbyggd tillgång till internet, filer eller en kodkörningsmiljö genom varje gränssnitt.
Ultralång text
Utökningen använder YaRN med kontrollpunktens egen positionskonfiguration. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på två föreslås för 524,288 token. Statisk skalning kan sänka kvaliteten på kortare text, så tillverkaren rekommenderar den när större kontext faktiskt behövs. Håll långt material organiserat och reservera plats för det nödvändiga svaret i stället för att tolka det största kontextantalet som obegränsad dokumentåtergivning.
Genereringsråd och 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 använder det separata Best Practices-förvalet med temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Större närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsbudgetar är 32,768 token för de flesta uppgifter och 81,920 för ovanligt komplex matematik eller programmering. De är inte oberoende hårda utdatatak. Ange svarsschema eller avgränsare uttryckligen och kontrollera kod, beräkningar, citat och visuella detaljer mot källan. Det användbara resultatet är en konkret textartefakt med den exakta täta 27B-identiteten, indata och svarsläget bevarade.
", "aboutText": "Qwen3.5:s huvuddrag i den täta 27B-utgåvan\n\nQwen3.5-27B är en eftertränad tät modell för bild och språk. Text, bilder och video kan ingå i en uppgift, medan resultatet är text: en förklaring, ett kodförslag, extraherad information eller en annan begärd artefakt. Familjens tidiga fusion av text- och bildträning utvecklar resonemangs-, kodnings-, agent- och visuella förmågor, med förstärkningsinlärning över alltmer komplexa uppgifter och stöd för 201 språk och dialekter.\n\nSpråktäckningen hjälper till att formulera flerspråkiga uppgifter men garanterar inte identisk tillförlitlighet för varje dialekt eller specialistvokabulär. Ange målspråk, målgrupp och termer som ska förbli oförändrade. För en dokumentjämförelse mellan språk ska varje källa märkas och ett resultat organiserat efter fakta eller frågor som behöver jämföras begäras.\n\nModellöversikt\n\nDen specifika 27B-utgåvan är tät, med 64 språkmodellager och en bildkodare. Hybridlayouten växlar mellan grupper med tre Gated DeltaNet-lager och ett gated-attention-lager och använder täta framåtriktade nätverk. Flertokenprediktion ingår i träningen. Den glesa mixture-of-experts-arkitektur som beskrivs för andra Qwen3.5-storlekar ska inte tillskrivas denna modell; identiteten med 27 miljarder parametrar är dess egen kontrollpunktsspecifikation.\n\nDen inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemangsuppgifter och tillåter mindre inställningar när minnesbegränsningar kräver det. Detta är konfigurationsråd snarare än bevis för att varje gränssnitt exponerar hela kontexten. Källtext, visuella token, historik, resonemang och svaret delar sekvensramen.\n\nFörbereda text och visuellt material\n\nFör ett tekniskt dokument ska avsnittsidentifierare behållas och en kravtabell eller förklaring med stöd i avsnitten begäras. För ett diagram ska etiketter bevaras och definitioner som inte syns i bilden tillhandahållas. För en koduppgift ska relevant funktion, observerat beteende och nödvändigt resultat ges. Ett användbart svar ska identifiera använda belägg, skilja ut antaganden och returnera slutartefakten i en granskningsbar form.\n\nFör en videofråga ska den viktiga händelsen eller sekvensen identifieras och timing och bildruteordning bevaras. Tillverkarens exempel använder två bildrutor per sekund i det stödda flödet. Råden för lång video rekommenderar en större processorbudget, motsvarande omkring 224K videotoken, för timslång analys med högre frekvens. Inställningarna kräver konfiguration och fastställer ingen universell garanti för varaktighet eller exakta händelsetidsstämplar.\n\nResonemang och direkta svar\n\nResonemang är aktiverat som standard och föregår slutsvaret. enable_thinking kan stänga av det för ett direkt svar. Qwen3.5 stöder inte officiellt de äldre mjuka omkopplarna /think och /nothink. Tillverkaren rekommenderar att bara slutsvarstext behålls i historiska assistentmeddelanden, inte resonemangsinnehållet. Detta är Qwen3.5-kontraktet och ska förbli åtskilt från beteendet för historiskt resonemangsbevarande som dokumenteras för senare utgåvor.\n\nVälj en slutform innan uppgiften skickas: en kort slutsats med stödjande värden, en tabell med extraherade fält eller en förklarad kodpatch. Ett direkt svar är fortfarande ett genererat svar att granska; en lång resonemangstranskription är inget oberoende bevis för att slutsatsen är korrekt.\n\nAgentanvändning\n\nTillverkaren stöder verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodningsagentflöden. Ge applikationens verktyg en tydlig roll och returnera faktiska observationer till modellen. Modellen kan planera och revidera med hjälp av återkopplingen, medan applikationen utför åtgärderna. Verktygsstöd fastställer inte i sig inbyggd tillgång till internet, filer eller en kodkörningsmiljö genom varje gränssnitt.\n\nUltralång text\n\nUtökningen använder YaRN med kontrollpunktens egen positionskonfiguration. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på två föreslås för 524,288 token. Statisk skalning kan sänka kvaliteten på kortare text, så tillverkaren rekommenderar den när större kontext faktiskt behövs. Håll långt material organiserat och reservera plats för det nödvändiga svaret i stället för att tolka det största kontextantalet som obegränsad dokumentåtergivning.\n\nGenereringsråd och 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 använder det separata Best Practices-förvalet med temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Större närvarostraff kan blanda språk eller sänka kvaliteten något.\n\nRekommenderade genereringsbudgetar är 32,768 token för de flesta uppgifter och 81,920 för ovanligt komplex matematik eller programmering. De är inte oberoende hårda utdatatak. Ange svarsschema eller avgränsare uttryckligen och kontrollera kod, beräkningar, citat och visuella detaljer mot källan. Det användbara resultatet är en konkret textartefakt med den exakta täta 27B-identiteten, indata och svarsläget bevarade.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.qwen/qwen3.5-27bQwen3.5-27B är Qwens täta modell för bild och språk med 27 miljarder parametrar, för text, bilder och video med textutdata. Den stöder resonemang, kodning, verktygsstött arbete och flerspråkiga uppgifter, 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 i den täta 27B-utgåvan
Qwen3.5-27B är en eftertränad tät modell för bild och språk. Text, bilder och video kan ingå i en uppgift, medan resultatet är text: en förklaring, ett kodförslag, extraherad information eller en annan begärd artefakt. Familjens tidiga fusion av text- och bildträning utvecklar resonemangs-, kodnings-, agent- och visuella förmågor, med förstärkningsinlärning över alltmer komplexa uppgifter och stöd för 201 språk och dialekter.
Språktäckningen hjälper till att formulera flerspråkiga uppgifter men garanterar inte identisk tillförlitlighet för varje dialekt eller specialistvokabulär. Ange målspråk, målgrupp och termer som ska förbli oförändrade. För en dokumentjämförelse mellan språk ska varje källa märkas och ett resultat organiserat efter fakta eller frågor som behöver jämföras begäras.
Modellöversikt
Den specifika 27B-utgåvan är tät, med 64 språkmodellager och en bildkodare. Hybridlayouten växlar mellan grupper med tre Gated DeltaNet-lager och ett gated-attention-lager och använder täta framåtriktade nätverk. Flertokenprediktion ingår i träningen. Den glesa mixture-of-experts-arkitektur som beskrivs för andra Qwen3.5-storlekar ska inte tillskrivas denna modell; identiteten med 27 miljarder parametrar är dess egen kontrollpunktsspecifikation.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemangsuppgifter och tillåter mindre inställningar när minnesbegränsningar kräver det. Detta är konfigurationsråd snarare än bevis för att varje gränssnitt exponerar hela kontexten. Källtext, visuella token, historik, resonemang och svaret delar sekvensramen.
Förbereda text och visuellt material
För ett tekniskt dokument ska avsnittsidentifierare behållas och en kravtabell eller förklaring med stöd i avsnitten begäras. För ett diagram ska etiketter bevaras och definitioner som inte syns i bilden tillhandahållas. För en koduppgift ska relevant funktion, observerat beteende och nödvändigt resultat ges. Ett användbart svar ska identifiera använda belägg, skilja ut antaganden och returnera slutartefakten i en granskningsbar form.
För en videofråga ska den viktiga händelsen eller sekvensen identifieras och timing och bildruteordning bevaras. Tillverkarens exempel använder två bildrutor per sekund i det stödda flödet. Råden för lång video rekommenderar en större processorbudget, motsvarande omkring 224K videotoken, för timslång analys med högre frekvens. Inställningarna kräver konfiguration och fastställer ingen universell garanti för varaktighet eller exakta händelsetidsstämplar.
Resonemang och direkta svar
Resonemang är aktiverat som standard och föregår slutsvaret. enable_thinking kan stänga av det för ett direkt svar. Qwen3.5 stöder inte officiellt de äldre mjuka omkopplarna /think och /nothink. Tillverkaren rekommenderar att bara slutsvarstext behålls i historiska assistentmeddelanden, inte resonemangsinnehållet. Detta är Qwen3.5-kontraktet och ska förbli åtskilt från beteendet för historiskt resonemangsbevarande som dokumenteras för senare utgåvor.
Välj en slutform innan uppgiften skickas: en kort slutsats med stödjande värden, en tabell med extraherade fält eller en förklarad kodpatch. Ett direkt svar är fortfarande ett genererat svar att granska; en lång resonemangstranskription är inget oberoende bevis för att slutsatsen är korrekt.
Agentanvändning
Tillverkaren stöder verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodningsagentflöden. Ge applikationens verktyg en tydlig roll och returnera faktiska observationer till modellen. Modellen kan planera och revidera med hjälp av återkopplingen, medan applikationen utför åtgärderna. Verktygsstöd fastställer inte i sig inbyggd tillgång till internet, filer eller en kodkörningsmiljö genom varje gränssnitt.
Ultralång text
Utökningen använder YaRN med kontrollpunktens egen positionskonfiguration. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på två föreslås för 524,288 token. Statisk skalning kan sänka kvaliteten på kortare text, så tillverkaren rekommenderar den när större kontext faktiskt behövs. Håll långt material organiserat och reservera plats för det nödvändiga svaret i stället för att tolka det största kontextantalet som obegränsad dokumentåtergivning.
Genereringsråd och 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 använder det separata Best Practices-förvalet med temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Större närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsbudgetar är 32,768 token för de flesta uppgifter och 81,920 för ovanligt komplex matematik eller programmering. De är inte oberoende hårda utdatatak. Ange svarsschema eller avgränsare uttryckligen och kontrollera kod, beräkningar, citat och visuella detaljer mot källan. Det användbara resultatet är en konkret textartefakt med den exakta täta 27B-identiteten, indata och svarsläget bevarade.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-27b | 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 $0.00052 / 1K token Utdata · Utdatatoken $0.00412 / 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 $0.00052 / 1K token Utdata · Utdatatoken $0.00412 / 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/qwen3.5-27b", "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/qwen3.5-27b',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/qwen3.5-27b',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 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/qwen3.5-27b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.5-27bQwen3.5-27B är Qwens täta modell för bild och språk med 27 miljarder parametrar, för text, bilder och video med textutdata. Den stöder resonemang, kodning, verktygsstött arbete och flerspråkiga uppgifter, 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 i den täta 27B-utgåvan
Qwen3.5-27B är en eftertränad tät modell för bild och språk. Text, bilder och video kan ingå i en uppgift, medan resultatet är text: en förklaring, ett kodförslag, extraherad information eller en annan begärd artefakt. Familjens tidiga fusion av text- och bildträning utvecklar resonemangs-, kodnings-, agent- och visuella förmågor, med förstärkningsinlärning över alltmer komplexa uppgifter och stöd för 201 språk och dialekter.
Språktäckningen hjälper till att formulera flerspråkiga uppgifter men garanterar inte identisk tillförlitlighet för varje dialekt eller specialistvokabulär. Ange målspråk, målgrupp och termer som ska förbli oförändrade. För en dokumentjämförelse mellan språk ska varje källa märkas och ett resultat organiserat efter fakta eller frågor som behöver jämföras begäras.
Modellöversikt
Den specifika 27B-utgåvan är tät, med 64 språkmodellager och en bildkodare. Hybridlayouten växlar mellan grupper med tre Gated DeltaNet-lager och ett gated-attention-lager och använder täta framåtriktade nätverk. Flertokenprediktion ingår i träningen. Den glesa mixture-of-experts-arkitektur som beskrivs för andra Qwen3.5-storlekar ska inte tillskrivas denna modell; identiteten med 27 miljarder parametrar är dess egen kontrollpunktsspecifikation.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemangsuppgifter och tillåter mindre inställningar när minnesbegränsningar kräver det. Detta är konfigurationsråd snarare än bevis för att varje gränssnitt exponerar hela kontexten. Källtext, visuella token, historik, resonemang och svaret delar sekvensramen.
Förbereda text och visuellt material
För ett tekniskt dokument ska avsnittsidentifierare behållas och en kravtabell eller förklaring med stöd i avsnitten begäras. För ett diagram ska etiketter bevaras och definitioner som inte syns i bilden tillhandahållas. För en koduppgift ska relevant funktion, observerat beteende och nödvändigt resultat ges. Ett användbart svar ska identifiera använda belägg, skilja ut antaganden och returnera slutartefakten i en granskningsbar form.
För en videofråga ska den viktiga händelsen eller sekvensen identifieras och timing och bildruteordning bevaras. Tillverkarens exempel använder två bildrutor per sekund i det stödda flödet. Råden för lång video rekommenderar en större processorbudget, motsvarande omkring 224K videotoken, för timslång analys med högre frekvens. Inställningarna kräver konfiguration och fastställer ingen universell garanti för varaktighet eller exakta händelsetidsstämplar.
Resonemang och direkta svar
Resonemang är aktiverat som standard och föregår slutsvaret. enable_thinking kan stänga av det för ett direkt svar. Qwen3.5 stöder inte officiellt de äldre mjuka omkopplarna /think och /nothink. Tillverkaren rekommenderar att bara slutsvarstext behålls i historiska assistentmeddelanden, inte resonemangsinnehållet. Detta är Qwen3.5-kontraktet och ska förbli åtskilt från beteendet för historiskt resonemangsbevarande som dokumenteras för senare utgåvor.
Välj en slutform innan uppgiften skickas: en kort slutsats med stödjande värden, en tabell med extraherade fält eller en förklarad kodpatch. Ett direkt svar är fortfarande ett genererat svar att granska; en lång resonemangstranskription är inget oberoende bevis för att slutsatsen är korrekt.
Agentanvändning
Tillverkaren stöder verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodningsagentflöden. Ge applikationens verktyg en tydlig roll och returnera faktiska observationer till modellen. Modellen kan planera och revidera med hjälp av återkopplingen, medan applikationen utför åtgärderna. Verktygsstöd fastställer inte i sig inbyggd tillgång till internet, filer eller en kodkörningsmiljö genom varje gränssnitt.
Ultralång text
Utökningen använder YaRN med kontrollpunktens egen positionskonfiguration. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på två föreslås för 524,288 token. Statisk skalning kan sänka kvaliteten på kortare text, så tillverkaren rekommenderar den när större kontext faktiskt behövs. Håll långt material organiserat och reservera plats för det nödvändiga svaret i stället för att tolka det största kontextantalet som obegränsad dokumentåtergivning.
Genereringsråd och 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 använder det separata Best Practices-förvalet med temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Större närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsbudgetar är 32,768 token för de flesta uppgifter och 81,920 för ovanligt komplex matematik eller programmering. De är inte oberoende hårda utdatatak. Ange svarsschema eller avgränsare uttryckligen och kontrollera kod, beräkningar, citat och visuella detaljer mot källan. Det användbara resultatet är en konkret textartefakt med den exakta täta 27B-identiteten, indata och svarsläget bevarade.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-27b | 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 $0.00052 / 1K token Utdata · Utdatatoken $0.00412 / 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 $0.00052 / 1K token Utdata · Utdatatoken $0.00412 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.5-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-27b', '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/qwen3.5-27b', '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 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/qwen3.5-27b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Compare a multilingual specification\n\nCompare these two product notes and write the finding in English. [EN] "Store at 5-25 C. Keep the lid closed." [FR] "Conserver entre 5 et 20 C. Garder le couvercle fermé." Identify matching instructions, the temperature discrepancy and a clarification question for the author. Preserve both source ranges without deciding which is correct.A source-labelled English comparison with matching lid guidance, differing ranges and one unresolved question.Check that 20 C and 25 C remain distinct and neither language is assumed authoritative.