Qwen3.5:s huvuddrag: kontrollpunkten 397B-A17B
Qwen3.5-397B-A17B är den eftertränade mixture-of-experts-modellen för bild och språk i Qwen3.5-familjen. Den tar emot text, bilder och video och genererar text: förklaringar, kodförslag, analys och begärda dokumentartefakter. Familjen använder tidig fusion av text och bild samt förstärkningsinlärning över successivt mer komplexa uppgifter för att utveckla resonemang, kodning, agenter och visuell förståelse. Dess dokumenterade språktäckning är 201 språk och dialekter snarare än ett löfte om identisk tillförlitlighet för varje språk eller specialistområde.
Tillverkaren beskriver separat hanterade Qwen3.5-Plus som ett motsvarande erbjudande med ytterligare produktionsfunktioner. Bevara den öppna kontrollpunktens egen identitet, kontext och genereringsrecept i stället för att importera varje hanterad funktion eller senare Qwen-kontroll. Den specifika utgåvan 397B-A17B förblir åtskild från mindre täta modeller och expertmodeller i samma familj.
Modellöversikt
Modellen har totalt 397 miljarder parametrar och aktiverar 17 miljarder. Dess hybridlayout med 60 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Tillverkaren anger 512 routade experter; modellen väljer tio routade experter tillsammans med en gemensam expert. En bildkodare och flertokenprediktion ingår i modellen. Totala parametrar, aktiverade parametrar och den fullständiga kontrollpunktens lagringsstorlek är olika begrepp; dessa antal fastställer ingen bestämd svarstid.
Den inbyggda kontexten är 262,144 token, med villkorad utökning upp till 1,010,000. Text, representerade bilder eller video, samtalshistorik, resonemang och slutsvar delar den konfigurerade sekvensramen. Använd den faktiskt konfigurerade budgeten för uppgiften i stället för att anta att största dokumentet och största svaret automatiskt ryms tillsammans.
Förbereda text och visuella belägg
För ett tekniskt projekt ska specifikationen, relevant kod och diagram tillhandahållas och artefakten som ska produceras definieras. Begär ett implementationsförslag organiserat efter berörda komponenter och underbyggt av de tillhandahållna kraven. För en dokumentjämförelse ska avsnittsidentifierare, tabelletiketter och enheter bevaras och en fyndtabell med belägg för varje rad begäras. För en flerspråkig rapport ska målspråk och termer som ska förbli oförändrade anges.
För en bildfråga ska små etiketter bevaras och definitioner som inte finns i bilden tillhandahållas. För en videofråga ska relevant händelse identifieras och bildruteordning och timing bevaras. Jämför returnerade visuella detaljer, citat och händelsebeskrivningar med ursprungliga bilder, avsnitt och tidsstämplar. Resultatet förblir textanalys eller kod; modellens visuella indata innebär inte bild-, video- eller talgenerering.
Resonemang och samtalshistorik
Resonemang är aktiverat som standard och föregår slutsvaret. Tillverkarens inställning enable_thinking kan stänga av det för ett direkt svar. De äldre mjuka promptomkopplarna /think och /nothink stöds inte officiellt för Qwen3.5. Håll slutartefakten lätt att hitta efter resonemanget, exempelvis en avgränsad slutsats, en beläggstabell eller ett separat kodförslag.
Modellkortet rekommenderar att slutsvar utan resonemangsinnehåll behålls i historiska assistentmeddelanden. Det skiljer sig från alternativen och standardvärdena för historiskt resonemangsbevarande som introduceras i senare utgåvor. Följ exakt denna kontrollpunkts mall och håll rättelser eller verktygsobservationer kopplade till uppgiften de uppdaterar.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg och Qwen Code för kodningsagentflöden. Ange tillåtna operationer, tillgängliga belägg och observerbara slutförandekriterier. En applikation kör verktyg och tillhandahåller deras resultat; modellen kan använda observationerna för att revidera planen eller förklaringen. Ett föreslaget kommando eller en patch förblir åtskilt från en åtgärd som faktiskt slutförts i miljön.
Ultralång text och video
Tillverkarens utökning använder YaRN med kontrollpunktens egna sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på 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. Organisera långa indata efter dokument-, sid- eller kodidentifierare och lämna plats för resultatet.
Det stödda videoexemplet använder som standard två bildrutor per sekund. För timslångt material rekommenderar tillverkaren en större processorbudget som motsvarar 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
Denna kontrollpunkts Best Practices rekommenderar temperature 0.6, top_p 0.95, top_k 20 och min_p 0 för resonemang och temperature 0.7, top_p 0.8, top_k 20 och min_p 0 för direkta svar. Dessa exakta rekommendationer skiljer sig från vissa mindre Qwen3.5-utgåvor. Där det stöds kan ett närvarostraff mellan noll och två minska upprepning, men högre värden 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 rekommendationer, inte oberoende hårda utdatatak. Ange det nödvändiga svarsformatet och kontrollera beräkningar, extraherade detaljer och föreslagen kod mot källan. Användbara utdata är en konkret textartefakt vars belägg och antaganden kan granskas.
", "aboutText": "Qwen3.5:s huvuddrag: kontrollpunkten 397B-A17B\n\nQwen3.5-397B-A17B är den eftertränade mixture-of-experts-modellen för bild och språk i Qwen3.5-familjen. Den tar emot text, bilder och video och genererar text: förklaringar, kodförslag, analys och begärda dokumentartefakter. Familjen använder tidig fusion av text och bild samt förstärkningsinlärning över successivt mer komplexa uppgifter för att utveckla resonemang, kodning, agenter och visuell förståelse. Dess dokumenterade språktäckning är 201 språk och dialekter snarare än ett löfte om identisk tillförlitlighet för varje språk eller specialistområde.\n\nTillverkaren beskriver separat hanterade Qwen3.5-Plus som ett motsvarande erbjudande med ytterligare produktionsfunktioner. Bevara den öppna kontrollpunktens egen identitet, kontext och genereringsrecept i stället för att importera varje hanterad funktion eller senare Qwen-kontroll. Den specifika utgåvan 397B-A17B förblir åtskild från mindre täta modeller och expertmodeller i samma familj.\n\nModellöversikt\n\nModellen har totalt 397 miljarder parametrar och aktiverar 17 miljarder. Dess hybridlayout med 60 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Tillverkaren anger 512 routade experter; modellen väljer tio routade experter tillsammans med en gemensam expert. En bildkodare och flertokenprediktion ingår i modellen. Totala parametrar, aktiverade parametrar och den fullständiga kontrollpunktens lagringsstorlek är olika begrepp; dessa antal fastställer ingen bestämd svarstid.\n\nDen inbyggda kontexten är 262,144 token, med villkorad utökning upp till 1,010,000. Text, representerade bilder eller video, samtalshistorik, resonemang och slutsvar delar den konfigurerade sekvensramen. Använd den faktiskt konfigurerade budgeten för uppgiften i stället för att anta att största dokumentet och största svaret automatiskt ryms tillsammans.\n\nFörbereda text och visuella belägg\n\nFör ett tekniskt projekt ska specifikationen, relevant kod och diagram tillhandahållas och artefakten som ska produceras definieras. Begär ett implementationsförslag organiserat efter berörda komponenter och underbyggt av de tillhandahållna kraven. För en dokumentjämförelse ska avsnittsidentifierare, tabelletiketter och enheter bevaras och en fyndtabell med belägg för varje rad begäras. För en flerspråkig rapport ska målspråk och termer som ska förbli oförändrade anges.\n\nFör en bildfråga ska små etiketter bevaras och definitioner som inte finns i bilden tillhandahållas. För en videofråga ska relevant händelse identifieras och bildruteordning och timing bevaras. Jämför returnerade visuella detaljer, citat och händelsebeskrivningar med ursprungliga bilder, avsnitt och tidsstämplar. Resultatet förblir textanalys eller kod; modellens visuella indata innebär inte bild-, video- eller talgenerering.\n\nResonemang och samtalshistorik\n\nResonemang är aktiverat som standard och föregår slutsvaret. Tillverkarens inställning enable_thinking kan stänga av det för ett direkt svar. De äldre mjuka promptomkopplarna /think och /nothink stöds inte officiellt för Qwen3.5. Håll slutartefakten lätt att hitta efter resonemanget, exempelvis en avgränsad slutsats, en beläggstabell eller ett separat kodförslag.\n\nModellkortet rekommenderar att slutsvar utan resonemangsinnehåll behålls i historiska assistentmeddelanden. Det skiljer sig från alternativen och standardvärdena för historiskt resonemangsbevarande som introduceras i senare utgåvor. Följ exakt denna kontrollpunkts mall och håll rättelser eller verktygsobservationer kopplade till uppgiften de uppdaterar.\n\nAgentanvändning\n\nQwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg och Qwen Code för kodningsagentflöden. Ange tillåtna operationer, tillgängliga belägg och observerbara slutförandekriterier. En applikation kör verktyg och tillhandahåller deras resultat; modellen kan använda observationerna för att revidera planen eller förklaringen. Ett föreslaget kommando eller en patch förblir åtskilt från en åtgärd som faktiskt slutförts i miljön.\n\nUltralång text och video\n\nTillverkarens utökning använder YaRN med kontrollpunktens egna sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på 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. Organisera långa indata efter dokument-, sid- eller kodidentifierare och lämna plats för resultatet.\n\nDet stödda videoexemplet använder som standard två bildrutor per sekund. För timslångt material rekommenderar tillverkaren en större processorbudget som motsvarar 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\nDenna kontrollpunkts Best Practices rekommenderar temperature 0.6, top_p 0.95, top_k 20 och min_p 0 för resonemang och temperature 0.7, top_p 0.8, top_k 20 och min_p 0 för direkta svar. Dessa exakta rekommendationer skiljer sig från vissa mindre Qwen3.5-utgåvor. Där det stöds kan ett närvarostraff mellan noll och två minska upprepning, men högre värden 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 rekommendationer, inte oberoende hårda utdatatak. Ange det nödvändiga svarsformatet och kontrollera beräkningar, extraherade detaljer och föreslagen kod mot källan. Användbara utdata är en konkret textartefakt vars belägg och antaganden kan granskas.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B är Qwens mixture-of-experts-modell för bild och språk med totalt 397 miljarder och 17 miljarder aktiverade parametrar. Den tar emot text, bilder och video och returnerar text för resonemangs-, kodnings- och agentuppgifter, 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: kontrollpunkten 397B-A17B
Qwen3.5-397B-A17B är den eftertränade mixture-of-experts-modellen för bild och språk i Qwen3.5-familjen. Den tar emot text, bilder och video och genererar text: förklaringar, kodförslag, analys och begärda dokumentartefakter. Familjen använder tidig fusion av text och bild samt förstärkningsinlärning över successivt mer komplexa uppgifter för att utveckla resonemang, kodning, agenter och visuell förståelse. Dess dokumenterade språktäckning är 201 språk och dialekter snarare än ett löfte om identisk tillförlitlighet för varje språk eller specialistområde.
Tillverkaren beskriver separat hanterade Qwen3.5-Plus som ett motsvarande erbjudande med ytterligare produktionsfunktioner. Bevara den öppna kontrollpunktens egen identitet, kontext och genereringsrecept i stället för att importera varje hanterad funktion eller senare Qwen-kontroll. Den specifika utgåvan 397B-A17B förblir åtskild från mindre täta modeller och expertmodeller i samma familj.
Modellöversikt
Modellen har totalt 397 miljarder parametrar och aktiverar 17 miljarder. Dess hybridlayout med 60 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Tillverkaren anger 512 routade experter; modellen väljer tio routade experter tillsammans med en gemensam expert. En bildkodare och flertokenprediktion ingår i modellen. Totala parametrar, aktiverade parametrar och den fullständiga kontrollpunktens lagringsstorlek är olika begrepp; dessa antal fastställer ingen bestämd svarstid.
Den inbyggda kontexten är 262,144 token, med villkorad utökning upp till 1,010,000. Text, representerade bilder eller video, samtalshistorik, resonemang och slutsvar delar den konfigurerade sekvensramen. Använd den faktiskt konfigurerade budgeten för uppgiften i stället för att anta att största dokumentet och största svaret automatiskt ryms tillsammans.
Förbereda text och visuella belägg
För ett tekniskt projekt ska specifikationen, relevant kod och diagram tillhandahållas och artefakten som ska produceras definieras. Begär ett implementationsförslag organiserat efter berörda komponenter och underbyggt av de tillhandahållna kraven. För en dokumentjämförelse ska avsnittsidentifierare, tabelletiketter och enheter bevaras och en fyndtabell med belägg för varje rad begäras. För en flerspråkig rapport ska målspråk och termer som ska förbli oförändrade anges.
För en bildfråga ska små etiketter bevaras och definitioner som inte finns i bilden tillhandahållas. För en videofråga ska relevant händelse identifieras och bildruteordning och timing bevaras. Jämför returnerade visuella detaljer, citat och händelsebeskrivningar med ursprungliga bilder, avsnitt och tidsstämplar. Resultatet förblir textanalys eller kod; modellens visuella indata innebär inte bild-, video- eller talgenerering.
Resonemang och samtalshistorik
Resonemang är aktiverat som standard och föregår slutsvaret. Tillverkarens inställning enable_thinking kan stänga av det för ett direkt svar. De äldre mjuka promptomkopplarna /think och /nothink stöds inte officiellt för Qwen3.5. Håll slutartefakten lätt att hitta efter resonemanget, exempelvis en avgränsad slutsats, en beläggstabell eller ett separat kodförslag.
Modellkortet rekommenderar att slutsvar utan resonemangsinnehåll behålls i historiska assistentmeddelanden. Det skiljer sig från alternativen och standardvärdena för historiskt resonemangsbevarande som introduceras i senare utgåvor. Följ exakt denna kontrollpunkts mall och håll rättelser eller verktygsobservationer kopplade till uppgiften de uppdaterar.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg och Qwen Code för kodningsagentflöden. Ange tillåtna operationer, tillgängliga belägg och observerbara slutförandekriterier. En applikation kör verktyg och tillhandahåller deras resultat; modellen kan använda observationerna för att revidera planen eller förklaringen. Ett föreslaget kommando eller en patch förblir åtskilt från en åtgärd som faktiskt slutförts i miljön.
Ultralång text och video
Tillverkarens utökning använder YaRN med kontrollpunktens egna sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på 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. Organisera långa indata efter dokument-, sid- eller kodidentifierare och lämna plats för resultatet.
Det stödda videoexemplet använder som standard två bildrutor per sekund. För timslångt material rekommenderar tillverkaren en större processorbudget som motsvarar 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
Denna kontrollpunkts Best Practices rekommenderar temperature 0.6, top_p 0.95, top_k 20 och min_p 0 för resonemang och temperature 0.7, top_p 0.8, top_k 20 och min_p 0 för direkta svar. Dessa exakta rekommendationer skiljer sig från vissa mindre Qwen3.5-utgåvor. Där det stöds kan ett närvarostraff mellan noll och två minska upprepning, men högre värden 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 rekommendationer, inte oberoende hårda utdatatak. Ange det nödvändiga svarsformatet och kontrollera beräkningar, extraherade detaljer och föreslagen kod mot källan. Användbara utdata är en konkret textartefakt vars belägg och antaganden kan granskas.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K token Utdata · Utdatatoken $0.00468 / 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 $0.00078 / 1K token Utdata · Utdatatoken $0.00468 / 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/qwen3.5-397b-a17b", "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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b',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/qwen3.5-397b-a17b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.5-397b-a17bQwen3.5-397B-A17B är Qwens mixture-of-experts-modell för bild och språk med totalt 397 miljarder och 17 miljarder aktiverade parametrar. Den tar emot text, bilder och video och returnerar text för resonemangs-, kodnings- och agentuppgifter, 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: kontrollpunkten 397B-A17B
Qwen3.5-397B-A17B är den eftertränade mixture-of-experts-modellen för bild och språk i Qwen3.5-familjen. Den tar emot text, bilder och video och genererar text: förklaringar, kodförslag, analys och begärda dokumentartefakter. Familjen använder tidig fusion av text och bild samt förstärkningsinlärning över successivt mer komplexa uppgifter för att utveckla resonemang, kodning, agenter och visuell förståelse. Dess dokumenterade språktäckning är 201 språk och dialekter snarare än ett löfte om identisk tillförlitlighet för varje språk eller specialistområde.
Tillverkaren beskriver separat hanterade Qwen3.5-Plus som ett motsvarande erbjudande med ytterligare produktionsfunktioner. Bevara den öppna kontrollpunktens egen identitet, kontext och genereringsrecept i stället för att importera varje hanterad funktion eller senare Qwen-kontroll. Den specifika utgåvan 397B-A17B förblir åtskild från mindre täta modeller och expertmodeller i samma familj.
Modellöversikt
Modellen har totalt 397 miljarder parametrar och aktiverar 17 miljarder. Dess hybridlayout med 60 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Tillverkaren anger 512 routade experter; modellen väljer tio routade experter tillsammans med en gemensam expert. En bildkodare och flertokenprediktion ingår i modellen. Totala parametrar, aktiverade parametrar och den fullständiga kontrollpunktens lagringsstorlek är olika begrepp; dessa antal fastställer ingen bestämd svarstid.
Den inbyggda kontexten är 262,144 token, med villkorad utökning upp till 1,010,000. Text, representerade bilder eller video, samtalshistorik, resonemang och slutsvar delar den konfigurerade sekvensramen. Använd den faktiskt konfigurerade budgeten för uppgiften i stället för att anta att största dokumentet och största svaret automatiskt ryms tillsammans.
Förbereda text och visuella belägg
För ett tekniskt projekt ska specifikationen, relevant kod och diagram tillhandahållas och artefakten som ska produceras definieras. Begär ett implementationsförslag organiserat efter berörda komponenter och underbyggt av de tillhandahållna kraven. För en dokumentjämförelse ska avsnittsidentifierare, tabelletiketter och enheter bevaras och en fyndtabell med belägg för varje rad begäras. För en flerspråkig rapport ska målspråk och termer som ska förbli oförändrade anges.
För en bildfråga ska små etiketter bevaras och definitioner som inte finns i bilden tillhandahållas. För en videofråga ska relevant händelse identifieras och bildruteordning och timing bevaras. Jämför returnerade visuella detaljer, citat och händelsebeskrivningar med ursprungliga bilder, avsnitt och tidsstämplar. Resultatet förblir textanalys eller kod; modellens visuella indata innebär inte bild-, video- eller talgenerering.
Resonemang och samtalshistorik
Resonemang är aktiverat som standard och föregår slutsvaret. Tillverkarens inställning enable_thinking kan stänga av det för ett direkt svar. De äldre mjuka promptomkopplarna /think och /nothink stöds inte officiellt för Qwen3.5. Håll slutartefakten lätt att hitta efter resonemanget, exempelvis en avgränsad slutsats, en beläggstabell eller ett separat kodförslag.
Modellkortet rekommenderar att slutsvar utan resonemangsinnehåll behålls i historiska assistentmeddelanden. Det skiljer sig från alternativen och standardvärdena för historiskt resonemangsbevarande som introduceras i senare utgåvor. Följ exakt denna kontrollpunkts mall och håll rättelser eller verktygsobservationer kopplade till uppgiften de uppdaterar.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg och Qwen Code för kodningsagentflöden. Ange tillåtna operationer, tillgängliga belägg och observerbara slutförandekriterier. En applikation kör verktyg och tillhandahåller deras resultat; modellen kan använda observationerna för att revidera planen eller förklaringen. Ett föreslaget kommando eller en patch förblir åtskilt från en åtgärd som faktiskt slutförts i miljön.
Ultralång text och video
Tillverkarens utökning använder YaRN med kontrollpunktens egna sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; en faktor på 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. Organisera långa indata efter dokument-, sid- eller kodidentifierare och lämna plats för resultatet.
Det stödda videoexemplet använder som standard två bildrutor per sekund. För timslångt material rekommenderar tillverkaren en större processorbudget som motsvarar 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
Denna kontrollpunkts Best Practices rekommenderar temperature 0.6, top_p 0.95, top_k 20 och min_p 0 för resonemang och temperature 0.7, top_p 0.8, top_k 20 och min_p 0 för direkta svar. Dessa exakta rekommendationer skiljer sig från vissa mindre Qwen3.5-utgåvor. Där det stöds kan ett närvarostraff mellan noll och två minska upprepning, men högre värden 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 rekommendationer, inte oberoende hårda utdatatak. Ange det nödvändiga svarsformatet och kontrollera beräkningar, extraherade detaljer och föreslagen kod mot källan. Användbara utdata är en konkret textartefakt vars belägg och antaganden kan granskas.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-397b-a17b | 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 $0.00078 / 1K token Utdata · Utdatatoken $0.00468 / 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 $0.00078 / 1K token Utdata · Utdatatoken $0.00468 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.5-397b-a17b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b', '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/qwen3.5-397b-a17b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Reconcile a specification and implementation plan\n\nCompare spec S1: users may delete only their own drafts, and published records cannot be deleted. Plan P1: show Delete for every record owned by the user, regardless of status. Return the exact mismatch, a corrected eligibility rule and test cases for an owned draft, owned published record and another user’s draft.An evidence-linked mismatch, a corrected rule and three acceptance-test descriptions.Check that both ownership and draft status are required rather than treating either condition as sufficient.