Qwen3.5:s huvuddrag: en gles kontrollpunkt för bild och språk
Qwen3.5-35B-A3B är en eftertränad modell för bild och språk som kombinerar förståelse av text, bilder och video med textsvar. Familjen tränas med tidig fusion av text och bild samt förstärkningsinlärning över successivt mer komplexa uppgifter och stöder resonemang, kodning, agenter och visuell analys. Den beskriver även täckning av 201 språk och dialekter. Täckningen är en familjeförmåga snarare än ett löfte om likvärdig kvalitet för varje språk eller uppgift.
Den specifika öppna kontrollpunkten är separat från Qwen3.5-35B-A3B-Base och den senare Qwen3.6-utgåvan. Tillverkaren beskriver även ett hanterat Flash-erbjudande med ytterligare funktioner; dessa gränssnittsfunktioner ska inte automatiskt tillskrivas den öppna kontrollpunkten. Bevara den begärda identiteten 35B-A3B vid jämförelse av resultat eller när ett reproducerbart modellval sparas.
Modellöversikt
Mixture-of-experts-modellen har totalt 35 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 40 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Den har 256 routade experter, med åtta routade experter och en gemensam expert aktiva i den dokumenterade layouten. En bildkodare och flertokenprediktion ingår i modellen. Det aktiverade antalet beskriver inte den fullständiga kontrollpunktsstorleken, och arkitektur ensam garanterar inte latens i en viss applikation.
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, även om ett mindre fönster skulle minska minnestrycket. Text, representerat visuellt material, historik, resonemang och slutsvar behöver alla utrymme i den konfigurerade sekvensen.
Använda indata och svarslägen
För en kodningsbegäran med underlag från en skärmbild ska den visuella referensen, befintlig källkontext, interaktionskrav och förväntad redigerbar artefakt tillhandahållas. För ett diagram eller dokument ska etiketter och enheter behållas och en värdetabell med stödjande belägg begäras. För en flerspråkig förklaring ska målspråk och termer att bevara anges.
Resonemang är aktiverat som standard och producerar ett resonemangsblock före slutsvaret. Tillverkarens kontroll enable_thinking kan stänga av det för ett direkt svar. Qwen3.5 stöder inte officiellt de gamla mjuka promptomkopplarna /think och /nothink. Historikråden behåller slutsvar utan resonemangsinnehåll. Det ska förbli åtskilt från senare Qwen3.6-alternativ för bevarande eller Qwen3.8:s standardbevarande av historiska resonemang.
Agentanvändning
Tillverkaren dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodbasorienterat arbete. Definiera tillåtna operationer, relevanta belägg och slutleverans. Applikationen kör verktyg och tillhandahåller deras observationer; modellen kan använda återkopplingen för att revidera analysen. Ett planerat kommando eller en genererad patch är ingen utförd åtgärd, och modellnamnet fastställer inte ensamt tillgång till aktuell information eller filer.
Ultralång kontext
Tillverkarens utökningsrecept använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på två föreslås för uppgifter på 524,288 token. Statisk skalning kan sänka prestandan för kortare text och ska därför konfigureras när större kontext behövs. Organisera långt material med dokumentgränser, kodidentifierare och en tydlig fråga i stället för att fylla fönstret med orelaterade belägg.
Genereringsrekommendationer
I Best Practices använder allmänt resonemang temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0. 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. För resonemang i direktläge anger Best Practices temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Håll dessa uppgiftsspecifika förval åtskilda; större närvarostraff kan orsaka språkblandning eller en liten kvalitetssänkning.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt komplex matematik eller programmering. Detta är inte separat fastställda hårda utdatatak. Definiera slutsvarets form uttryckligen och kontrollera beräkningar eller genererad kod mot de tillhandahållna villkoren.
Video och väsentliga begränsningar
Det stödda videoexemplet använder som standard två bildrutor per sekund. Tillverkarens råd för timslång video utökar processorbudgeten till omkring 224K videotoken för sampling med högre frekvens. Det kräver konfiguration och förbrukar kontext tillsammans med uppgift och svar; det är ingen ovillkorlig garanti för varaktighet eller perfekt återgivning av händelser. Bevara relevanta scenövergångar och liten text och begär ett resultat knutet till synliga belägg. Det praktiska värdet är kontrollpunktens gemensamma text-/bildområde och valbara svarsläge, med en konkret artefakt som kan granskas.
", "aboutText": "Qwen3.5:s huvuddrag: en gles kontrollpunkt för bild och språk\n\nQwen3.5-35B-A3B är en eftertränad modell för bild och språk som kombinerar förståelse av text, bilder och video med textsvar. Familjen tränas med tidig fusion av text och bild samt förstärkningsinlärning över successivt mer komplexa uppgifter och stöder resonemang, kodning, agenter och visuell analys. Den beskriver även täckning av 201 språk och dialekter. Täckningen är en familjeförmåga snarare än ett löfte om likvärdig kvalitet för varje språk eller uppgift.\n\nDen specifika öppna kontrollpunkten är separat från Qwen3.5-35B-A3B-Base och den senare Qwen3.6-utgåvan. Tillverkaren beskriver även ett hanterat Flash-erbjudande med ytterligare funktioner; dessa gränssnittsfunktioner ska inte automatiskt tillskrivas den öppna kontrollpunkten. Bevara den begärda identiteten 35B-A3B vid jämförelse av resultat eller när ett reproducerbart modellval sparas.\n\nModellöversikt\n\nMixture-of-experts-modellen har totalt 35 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 40 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Den har 256 routade experter, med åtta routade experter och en gemensam expert aktiva i den dokumenterade layouten. En bildkodare och flertokenprediktion ingår i modellen. Det aktiverade antalet beskriver inte den fullständiga kontrollpunktsstorleken, och arkitektur ensam garanterar inte latens i en viss applikation.\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, även om ett mindre fönster skulle minska minnestrycket. Text, representerat visuellt material, historik, resonemang och slutsvar behöver alla utrymme i den konfigurerade sekvensen.\n\nAnvända indata och svarslägen\n\nFör en kodningsbegäran med underlag från en skärmbild ska den visuella referensen, befintlig källkontext, interaktionskrav och förväntad redigerbar artefakt tillhandahållas. För ett diagram eller dokument ska etiketter och enheter behållas och en värdetabell med stödjande belägg begäras. För en flerspråkig förklaring ska målspråk och termer att bevara anges.\n\nResonemang är aktiverat som standard och producerar ett resonemangsblock före slutsvaret. Tillverkarens kontroll enable_thinking kan stänga av det för ett direkt svar. Qwen3.5 stöder inte officiellt de gamla mjuka promptomkopplarna /think och /nothink. Historikråden behåller slutsvar utan resonemangsinnehåll. Det ska förbli åtskilt från senare Qwen3.6-alternativ för bevarande eller Qwen3.8:s standardbevarande av historiska resonemang.\n\nAgentanvändning\n\nTillverkaren dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodbasorienterat arbete. Definiera tillåtna operationer, relevanta belägg och slutleverans. Applikationen kör verktyg och tillhandahåller deras observationer; modellen kan använda återkopplingen för att revidera analysen. Ett planerat kommando eller en genererad patch är ingen utförd åtgärd, och modellnamnet fastställer inte ensamt tillgång till aktuell information eller filer.\n\nUltralång kontext\n\nTillverkarens utökningsrecept använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på två föreslås för uppgifter på 524,288 token. Statisk skalning kan sänka prestandan för kortare text och ska därför konfigureras när större kontext behövs. Organisera långt material med dokumentgränser, kodidentifierare och en tydlig fråga i stället för att fylla fönstret med orelaterade belägg.\n\nGenereringsrekommendationer\n\nI Best Practices använder allmänt resonemang temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0. 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. För resonemang i direktläge anger Best Practices temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Håll dessa uppgiftsspecifika förval åtskilda; större närvarostraff kan orsaka språkblandning eller en liten kvalitetssänkning.\n\nRekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt komplex matematik eller programmering. Detta är inte separat fastställda hårda utdatatak. Definiera slutsvarets form uttryckligen och kontrollera beräkningar eller genererad kod mot de tillhandahållna villkoren.\n\nVideo och väsentliga begränsningar\n\nDet stödda videoexemplet använder som standard två bildrutor per sekund. Tillverkarens råd för timslång video utökar processorbudgeten till omkring 224K videotoken för sampling med högre frekvens. Det kräver konfiguration och förbrukar kontext tillsammans med uppgift och svar; det är ingen ovillkorlig garanti för varaktighet eller perfekt återgivning av händelser. Bevara relevanta scenövergångar och liten text och begär ett resultat knutet till synliga belägg. Det praktiska värdet är kontrollpunktens gemensamma text-/bildområde och valbara svarsläge, med en konkret artefakt som kan granskas.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B är Qwens mixture-of-experts-modell för bild och språk med totalt 35 miljarder och 3 miljarder aktiverade parametrar. Den tar emot text, bilder och video för resonemang, kodning och verktygsstött arbete, med resonemangs- och direktläge 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: en gles kontrollpunkt för bild och språk
Qwen3.5-35B-A3B är en eftertränad modell för bild och språk som kombinerar förståelse av text, bilder och video med textsvar. Familjen tränas med tidig fusion av text och bild samt förstärkningsinlärning över successivt mer komplexa uppgifter och stöder resonemang, kodning, agenter och visuell analys. Den beskriver även täckning av 201 språk och dialekter. Täckningen är en familjeförmåga snarare än ett löfte om likvärdig kvalitet för varje språk eller uppgift.
Den specifika öppna kontrollpunkten är separat från Qwen3.5-35B-A3B-Base och den senare Qwen3.6-utgåvan. Tillverkaren beskriver även ett hanterat Flash-erbjudande med ytterligare funktioner; dessa gränssnittsfunktioner ska inte automatiskt tillskrivas den öppna kontrollpunkten. Bevara den begärda identiteten 35B-A3B vid jämförelse av resultat eller när ett reproducerbart modellval sparas.
Modellöversikt
Mixture-of-experts-modellen har totalt 35 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 40 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Den har 256 routade experter, med åtta routade experter och en gemensam expert aktiva i den dokumenterade layouten. En bildkodare och flertokenprediktion ingår i modellen. Det aktiverade antalet beskriver inte den fullständiga kontrollpunktsstorleken, och arkitektur ensam garanterar inte latens i en viss applikation.
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, även om ett mindre fönster skulle minska minnestrycket. Text, representerat visuellt material, historik, resonemang och slutsvar behöver alla utrymme i den konfigurerade sekvensen.
Använda indata och svarslägen
För en kodningsbegäran med underlag från en skärmbild ska den visuella referensen, befintlig källkontext, interaktionskrav och förväntad redigerbar artefakt tillhandahållas. För ett diagram eller dokument ska etiketter och enheter behållas och en värdetabell med stödjande belägg begäras. För en flerspråkig förklaring ska målspråk och termer att bevara anges.
Resonemang är aktiverat som standard och producerar ett resonemangsblock före slutsvaret. Tillverkarens kontroll enable_thinking kan stänga av det för ett direkt svar. Qwen3.5 stöder inte officiellt de gamla mjuka promptomkopplarna /think och /nothink. Historikråden behåller slutsvar utan resonemangsinnehåll. Det ska förbli åtskilt från senare Qwen3.6-alternativ för bevarande eller Qwen3.8:s standardbevarande av historiska resonemang.
Agentanvändning
Tillverkaren dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodbasorienterat arbete. Definiera tillåtna operationer, relevanta belägg och slutleverans. Applikationen kör verktyg och tillhandahåller deras observationer; modellen kan använda återkopplingen för att revidera analysen. Ett planerat kommando eller en genererad patch är ingen utförd åtgärd, och modellnamnet fastställer inte ensamt tillgång till aktuell information eller filer.
Ultralång kontext
Tillverkarens utökningsrecept använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på två föreslås för uppgifter på 524,288 token. Statisk skalning kan sänka prestandan för kortare text och ska därför konfigureras när större kontext behövs. Organisera långt material med dokumentgränser, kodidentifierare och en tydlig fråga i stället för att fylla fönstret med orelaterade belägg.
Genereringsrekommendationer
I Best Practices använder allmänt resonemang temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0. 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. För resonemang i direktläge anger Best Practices temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Håll dessa uppgiftsspecifika förval åtskilda; större närvarostraff kan orsaka språkblandning eller en liten kvalitetssänkning.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt komplex matematik eller programmering. Detta är inte separat fastställda hårda utdatatak. Definiera slutsvarets form uttryckligen och kontrollera beräkningar eller genererad kod mot de tillhandahållna villkoren.
Video och väsentliga begränsningar
Det stödda videoexemplet använder som standard två bildrutor per sekund. Tillverkarens råd för timslång video utökar processorbudgeten till omkring 224K videotoken för sampling med högre frekvens. Det kräver konfiguration och förbrukar kontext tillsammans med uppgift och svar; det är ingen ovillkorlig garanti för varaktighet eller perfekt återgivning av händelser. Bevara relevanta scenövergångar och liten text och begär ett resultat knutet till synliga belägg. Det praktiska värdet är kontrollpunktens gemensamma text-/bildområde och valbara svarsläge, med en konkret artefakt som kan granskas.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K token Utdata · Utdatatoken $0.00366 / 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 $0.00046 / 1K token Utdata · Utdatatoken $0.00366 / 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/qwen3.5-35b-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/qwen3.5-35b-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/qwen3.5-35b-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 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/qwen3.5-35b-a3b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.5-35b-a3bQwen3.5-35B-A3B är Qwens mixture-of-experts-modell för bild och språk med totalt 35 miljarder och 3 miljarder aktiverade parametrar. Den tar emot text, bilder och video för resonemang, kodning och verktygsstött arbete, med resonemangs- och direktläge 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: en gles kontrollpunkt för bild och språk
Qwen3.5-35B-A3B är en eftertränad modell för bild och språk som kombinerar förståelse av text, bilder och video med textsvar. Familjen tränas med tidig fusion av text och bild samt förstärkningsinlärning över successivt mer komplexa uppgifter och stöder resonemang, kodning, agenter och visuell analys. Den beskriver även täckning av 201 språk och dialekter. Täckningen är en familjeförmåga snarare än ett löfte om likvärdig kvalitet för varje språk eller uppgift.
Den specifika öppna kontrollpunkten är separat från Qwen3.5-35B-A3B-Base och den senare Qwen3.6-utgåvan. Tillverkaren beskriver även ett hanterat Flash-erbjudande med ytterligare funktioner; dessa gränssnittsfunktioner ska inte automatiskt tillskrivas den öppna kontrollpunkten. Bevara den begärda identiteten 35B-A3B vid jämförelse av resultat eller när ett reproducerbart modellval sparas.
Modellöversikt
Mixture-of-experts-modellen har totalt 35 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 40 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Den har 256 routade experter, med åtta routade experter och en gemensam expert aktiva i den dokumenterade layouten. En bildkodare och flertokenprediktion ingår i modellen. Det aktiverade antalet beskriver inte den fullständiga kontrollpunktsstorleken, och arkitektur ensam garanterar inte latens i en viss applikation.
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, även om ett mindre fönster skulle minska minnestrycket. Text, representerat visuellt material, historik, resonemang och slutsvar behöver alla utrymme i den konfigurerade sekvensen.
Använda indata och svarslägen
För en kodningsbegäran med underlag från en skärmbild ska den visuella referensen, befintlig källkontext, interaktionskrav och förväntad redigerbar artefakt tillhandahållas. För ett diagram eller dokument ska etiketter och enheter behållas och en värdetabell med stödjande belägg begäras. För en flerspråkig förklaring ska målspråk och termer att bevara anges.
Resonemang är aktiverat som standard och producerar ett resonemangsblock före slutsvaret. Tillverkarens kontroll enable_thinking kan stänga av det för ett direkt svar. Qwen3.5 stöder inte officiellt de gamla mjuka promptomkopplarna /think och /nothink. Historikråden behåller slutsvar utan resonemangsinnehåll. Det ska förbli åtskilt från senare Qwen3.6-alternativ för bevarande eller Qwen3.8:s standardbevarande av historiska resonemang.
Agentanvändning
Tillverkaren dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodbasorienterat arbete. Definiera tillåtna operationer, relevanta belägg och slutleverans. Applikationen kör verktyg och tillhandahåller deras observationer; modellen kan använda återkopplingen för att revidera analysen. Ett planerat kommando eller en genererad patch är ingen utförd åtgärd, och modellnamnet fastställer inte ensamt tillgång till aktuell information eller filer.
Ultralång kontext
Tillverkarens utökningsrecept använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på två föreslås för uppgifter på 524,288 token. Statisk skalning kan sänka prestandan för kortare text och ska därför konfigureras när större kontext behövs. Organisera långt material med dokumentgränser, kodidentifierare och en tydlig fråga i stället för att fylla fönstret med orelaterade belägg.
Genereringsrekommendationer
I Best Practices använder allmänt resonemang temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0. 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. För resonemang i direktläge anger Best Practices temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Håll dessa uppgiftsspecifika förval åtskilda; större närvarostraff kan orsaka språkblandning eller en liten kvalitetssänkning.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt komplex matematik eller programmering. Detta är inte separat fastställda hårda utdatatak. Definiera slutsvarets form uttryckligen och kontrollera beräkningar eller genererad kod mot de tillhandahållna villkoren.
Video och väsentliga begränsningar
Det stödda videoexemplet använder som standard två bildrutor per sekund. Tillverkarens råd för timslång video utökar processorbudgeten till omkring 224K videotoken för sampling med högre frekvens. Det kräver konfiguration och förbrukar kontext tillsammans med uppgift och svar; det är ingen ovillkorlig garanti för varaktighet eller perfekt återgivning av händelser. Bevara relevanta scenövergångar och liten text och begär ett resultat knutet till synliga belägg. Det praktiska värdet är kontrollpunktens gemensamma text-/bildområde och valbara svarsläge, med en konkret artefakt som kan granskas.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-35b-a3b | 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 $0.00046 / 1K token Utdata · Utdatatoken $0.00366 / 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 $0.00046 / 1K token Utdata · Utdatatoken $0.00366 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.5-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-35b-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/qwen3.5-35b-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 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/qwen3.5-35b-a3b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Audit a transcribed experiment table\n\nUse this transcribed experiment table: baseline, 100 trials, 12 failures; revision A, 80 trials, 8 failures; revision B, 40 trials, 2 failures. Calculate the observed failure rates and compare them. Explain what these counts establish and what would require additional statistical analysis; do not claim that the smallest observed rate proves the best underlying system.A rate table and a qualified comparison separating observed proportions from unperformed statistical inference.Each rate uses its own trial count, and the conclusion does not treat unequal sample sizes as equivalent proof.