Qwen3.5:s huvuddrag i den täta 9B-utgåvan
Qwen3.5-9B är den eftertränade täta kontrollpunkten för bild och språk med 9 miljarder parametrar. Den tar emot text, bilder och video och returnerar text. Familjen förenar resonemang, kodning, agenter och visuell förståelse genom tidig fusion av text- och bildträning, förstärkningsinlärning på successivt mer komplexa uppgifter och stöd för 201 språk och dialekter. Språktäckningen är en familjeförmåga, inte en garanti för identisk tillförlitlighet för varje språk eller ämne.
För flerspråkigt dokumentarbete ska målspråket anges, tekniska termer bevaras och resultatet ombes identifiera källfälten eller avsnitten det använder. För en visuell fråga ska en läsbar bild och en precis uppgift ges. För en liten kodningsbegäran ska indata, önskat beteende och relevant kod tillhandahållas. Modellen genererar inte bilder eller videor när den analyserar visuellt material.
Modellöversikt
Exakt denna 9B-modell är tät, med 32 språkmodellager och en bildkodare. Hybridlayouten upprepar tre Gated DeltaNet-lager följda av ett gated-attention-lager och använder täta framåtriktade nätverk. Flertokenprediktion ingår i träningen. Familjen innehåller även glesa expertmodeller, men deras beskrivningar av totala kontra aktiverade parametrar ska inte tillämpas på denna täta utgåva.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Modellens konfiguration och numeriska storlek ska förbli åtskilda från dess Base-kontrollpunkt, andra Qwen3.5-storlekar och kvantiserade byggen. Ett mindre parameterantal identifierar utgåvan; det fastställer inte i sig en universell svarstid eller kvalitetsrangordning. För komplexa resonemangsuppgifter rekommenderar Qwen att en konfigurerad kontext på minst 128K token behålls där det är möjligt.
Indata och svarslägen
Tillverkaren visar frågor med enbart text, med bild och med video. Ge en dokumentfråga med relevant sida och förväntade fält eller en videofråga med händelsen och det viktiga tidsintervallet. Bevara etiketter, enheter och bildruteordning. Begär ett resultat som kan jämföras med källan, exempelvis en tabell med extraherade värden eller en förklaring som hänvisar till synliga belägg.
Resonemang är aktiverat som standard. enable_thinking kan stänga av resonemang för ett direkt svar, medan de äldre mjuka promptomkopplarna /think och /nothink inte stöds officiellt. Använd tillverkarens mall och håll resonemang åtskilt från sluttext när gränssnittet tillhandahåller båda. Qwen3.5:s historikrekommendation är att behålla slutsvar utan deras resonemangsinnehåll; nyare beteende för historiskt bevarande ska inte importeras till denna utgåva.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent, inklusive konfigurerade eller MCP-anslutna verktyg, och Qwen Code för kodningsagentarbete. Ange tillåtna verktyg och observerbart resultat. Ett anslutet verktyg kan tillhandahålla en beräkning, källhämtning eller faktisk köråterkoppling; modellen kan sedan använda informationen i svaret. Verktygen och externa åtgärder hör till applikationen, så modellnamnet fastställer inte ensamt tillgång eller körning.
Ultralång text
Den dokumenterade utökningen använder YaRN med kontrollpunktens egna positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; för 524,288 token föreslår tillverkaren en faktor på två. Statisk skalning kan påverka prestandan för kortare text och ska därför följa det faktiska behovet av längre kontext. Indata, visuell representation, historik, resonemang och slututdata delar sekvensbudgeten. Organisera långt material efter dokument- eller kodidentifierare och lämna plats för den begärda artefakten.
Genereringsrekommendationer
Modellkortets Best Practices skiljer mellan flera förval. Allmänt resonemang använder 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 resonemangsuppgifter med direkt svar rekommenderar Best Practices i stället temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Detta är uppgiftsspecifika recept, inte värden som ska blandas urskillningslöst. Större närvarostraff kan orsaka språkblandning eller en liten kvalitetssänkning.
Qwen rekommenderar en genereringsram på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematik- eller programmeringsfrågor. Det är rekommendationer snarare än oberoende hårda utdatatak. Ange svarsformatet, exempelvis ett avgränsat matematiskt resultat eller ett svarsfält, och verifiera slutsatsen mot källan.
Videodetaljer och väsentliga begränsningar
Tillverkarens videoexempel använder som standard två bildrutor per sekund i det stödda flödet. Råden för timslångt material utökar videoprocessorns budget till omkring 224K videotoken för sampling med högre frekvens. Detta är konfigurationsberoende exempel, inte en universell garanti för varaktighet eller händelsetiming. Håll liten text och viktiga scenövergångar läsbara och kontrollera extraherad text, beräkningar och genererad kod innan resultatet används. 9B-utgåvans praktiska värde är dess dokumenterade gemensamma område för text- och bilduppgifter och styrbara svarsläge, med den exakta täta identiteten bevarad.
", "aboutText": "Qwen3.5:s huvuddrag i den täta 9B-utgåvan\n\nQwen3.5-9B är den eftertränade täta kontrollpunkten för bild och språk med 9 miljarder parametrar. Den tar emot text, bilder och video och returnerar text. Familjen förenar resonemang, kodning, agenter och visuell förståelse genom tidig fusion av text- och bildträning, förstärkningsinlärning på successivt mer komplexa uppgifter och stöd för 201 språk och dialekter. Språktäckningen är en familjeförmåga, inte en garanti för identisk tillförlitlighet för varje språk eller ämne.\n\nFör flerspråkigt dokumentarbete ska målspråket anges, tekniska termer bevaras och resultatet ombes identifiera källfälten eller avsnitten det använder. För en visuell fråga ska en läsbar bild och en precis uppgift ges. För en liten kodningsbegäran ska indata, önskat beteende och relevant kod tillhandahållas. Modellen genererar inte bilder eller videor när den analyserar visuellt material.\n\nModellöversikt\n\nExakt denna 9B-modell är tät, med 32 språkmodellager och en bildkodare. Hybridlayouten upprepar tre Gated DeltaNet-lager följda av ett gated-attention-lager och använder täta framåtriktade nätverk. Flertokenprediktion ingår i träningen. Familjen innehåller även glesa expertmodeller, men deras beskrivningar av totala kontra aktiverade parametrar ska inte tillämpas på denna täta utgåva.\n\nDen inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Modellens konfiguration och numeriska storlek ska förbli åtskilda från dess Base-kontrollpunkt, andra Qwen3.5-storlekar och kvantiserade byggen. Ett mindre parameterantal identifierar utgåvan; det fastställer inte i sig en universell svarstid eller kvalitetsrangordning. För komplexa resonemangsuppgifter rekommenderar Qwen att en konfigurerad kontext på minst 128K token behålls där det är möjligt.\n\nIndata och svarslägen\n\nTillverkaren visar frågor med enbart text, med bild och med video. Ge en dokumentfråga med relevant sida och förväntade fält eller en videofråga med händelsen och det viktiga tidsintervallet. Bevara etiketter, enheter och bildruteordning. Begär ett resultat som kan jämföras med källan, exempelvis en tabell med extraherade värden eller en förklaring som hänvisar till synliga belägg.\n\nResonemang är aktiverat som standard. enable_thinking kan stänga av resonemang för ett direkt svar, medan de äldre mjuka promptomkopplarna /think och /nothink inte stöds officiellt. Använd tillverkarens mall och håll resonemang åtskilt från sluttext när gränssnittet tillhandahåller båda. Qwen3.5:s historikrekommendation är att behålla slutsvar utan deras resonemangsinnehåll; nyare beteende för historiskt bevarande ska inte importeras till denna utgåva.\n\nAgentanvändning\n\nQwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent, inklusive konfigurerade eller MCP-anslutna verktyg, och Qwen Code för kodningsagentarbete. Ange tillåtna verktyg och observerbart resultat. Ett anslutet verktyg kan tillhandahålla en beräkning, källhämtning eller faktisk köråterkoppling; modellen kan sedan använda informationen i svaret. Verktygen och externa åtgärder hör till applikationen, så modellnamnet fastställer inte ensamt tillgång eller körning.\n\nUltralång text\n\nDen dokumenterade utökningen använder YaRN med kontrollpunktens egna positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; för 524,288 token föreslår tillverkaren en faktor på två. Statisk skalning kan påverka prestandan för kortare text och ska därför följa det faktiska behovet av längre kontext. Indata, visuell representation, historik, resonemang och slututdata delar sekvensbudgeten. Organisera långt material efter dokument- eller kodidentifierare och lämna plats för den begärda artefakten.\n\nGenereringsrekommendationer\n\nModellkortets Best Practices skiljer mellan flera förval. Allmänt resonemang använder 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 resonemangsuppgifter med direkt svar rekommenderar Best Practices i stället temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Detta är uppgiftsspecifika recept, inte värden som ska blandas urskillningslöst. Större närvarostraff kan orsaka språkblandning eller en liten kvalitetssänkning.\n\nQwen rekommenderar en genereringsram på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematik- eller programmeringsfrågor. Det är rekommendationer snarare än oberoende hårda utdatatak. Ange svarsformatet, exempelvis ett avgränsat matematiskt resultat eller ett svarsfält, och verifiera slutsatsen mot källan.\n\nVideodetaljer och väsentliga begränsningar\n\nTillverkarens videoexempel använder som standard två bildrutor per sekund i det stödda flödet. Råden för timslångt material utökar videoprocessorns budget till omkring 224K videotoken för sampling med högre frekvens. Detta är konfigurationsberoende exempel, inte en universell garanti för varaktighet eller händelsetiming. Håll liten text och viktiga scenövergångar läsbara och kontrollera extraherad text, beräkningar och genererad kod innan resultatet används. 9B-utgåvans praktiska värde är dess dokumenterade gemensamma område för text- och bilduppgifter och styrbara svarsläge, med den exakta täta identiteten bevarad.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.qwen/qwen3.5-9bQwen3.5-9B är Qwens täta modell för bild och språk med 9 miljarder parametrar som tar emot text, bilder och video och returnerar text. Den kombinerar resonemang, kodning, verktygsanrop och flerspråkigt arbete, med valbart resonemang och en inbyggd kontext på 262,144 token som kan utökas genom konfiguration.
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 9B-utgåvan
Qwen3.5-9B är den eftertränade täta kontrollpunkten för bild och språk med 9 miljarder parametrar. Den tar emot text, bilder och video och returnerar text. Familjen förenar resonemang, kodning, agenter och visuell förståelse genom tidig fusion av text- och bildträning, förstärkningsinlärning på successivt mer komplexa uppgifter och stöd för 201 språk och dialekter. Språktäckningen är en familjeförmåga, inte en garanti för identisk tillförlitlighet för varje språk eller ämne.
För flerspråkigt dokumentarbete ska målspråket anges, tekniska termer bevaras och resultatet ombes identifiera källfälten eller avsnitten det använder. För en visuell fråga ska en läsbar bild och en precis uppgift ges. För en liten kodningsbegäran ska indata, önskat beteende och relevant kod tillhandahållas. Modellen genererar inte bilder eller videor när den analyserar visuellt material.
Modellöversikt
Exakt denna 9B-modell är tät, med 32 språkmodellager och en bildkodare. Hybridlayouten upprepar tre Gated DeltaNet-lager följda av ett gated-attention-lager och använder täta framåtriktade nätverk. Flertokenprediktion ingår i träningen. Familjen innehåller även glesa expertmodeller, men deras beskrivningar av totala kontra aktiverade parametrar ska inte tillämpas på denna täta utgåva.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Modellens konfiguration och numeriska storlek ska förbli åtskilda från dess Base-kontrollpunkt, andra Qwen3.5-storlekar och kvantiserade byggen. Ett mindre parameterantal identifierar utgåvan; det fastställer inte i sig en universell svarstid eller kvalitetsrangordning. För komplexa resonemangsuppgifter rekommenderar Qwen att en konfigurerad kontext på minst 128K token behålls där det är möjligt.
Indata och svarslägen
Tillverkaren visar frågor med enbart text, med bild och med video. Ge en dokumentfråga med relevant sida och förväntade fält eller en videofråga med händelsen och det viktiga tidsintervallet. Bevara etiketter, enheter och bildruteordning. Begär ett resultat som kan jämföras med källan, exempelvis en tabell med extraherade värden eller en förklaring som hänvisar till synliga belägg.
Resonemang är aktiverat som standard. enable_thinking kan stänga av resonemang för ett direkt svar, medan de äldre mjuka promptomkopplarna /think och /nothink inte stöds officiellt. Använd tillverkarens mall och håll resonemang åtskilt från sluttext när gränssnittet tillhandahåller båda. Qwen3.5:s historikrekommendation är att behålla slutsvar utan deras resonemangsinnehåll; nyare beteende för historiskt bevarande ska inte importeras till denna utgåva.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent, inklusive konfigurerade eller MCP-anslutna verktyg, och Qwen Code för kodningsagentarbete. Ange tillåtna verktyg och observerbart resultat. Ett anslutet verktyg kan tillhandahålla en beräkning, källhämtning eller faktisk köråterkoppling; modellen kan sedan använda informationen i svaret. Verktygen och externa åtgärder hör till applikationen, så modellnamnet fastställer inte ensamt tillgång eller körning.
Ultralång text
Den dokumenterade utökningen använder YaRN med kontrollpunktens egna positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; för 524,288 token föreslår tillverkaren en faktor på två. Statisk skalning kan påverka prestandan för kortare text och ska därför följa det faktiska behovet av längre kontext. Indata, visuell representation, historik, resonemang och slututdata delar sekvensbudgeten. Organisera långt material efter dokument- eller kodidentifierare och lämna plats för den begärda artefakten.
Genereringsrekommendationer
Modellkortets Best Practices skiljer mellan flera förval. Allmänt resonemang använder 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 resonemangsuppgifter med direkt svar rekommenderar Best Practices i stället temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Detta är uppgiftsspecifika recept, inte värden som ska blandas urskillningslöst. Större närvarostraff kan orsaka språkblandning eller en liten kvalitetssänkning.
Qwen rekommenderar en genereringsram på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematik- eller programmeringsfrågor. Det är rekommendationer snarare än oberoende hårda utdatatak. Ange svarsformatet, exempelvis ett avgränsat matematiskt resultat eller ett svarsfält, och verifiera slutsatsen mot källan.
Videodetaljer och väsentliga begränsningar
Tillverkarens videoexempel använder som standard två bildrutor per sekund i det stödda flödet. Råden för timslångt material utökar videoprocessorns budget till omkring 224K videotoken för sampling med högre frekvens. Detta är konfigurationsberoende exempel, inte en universell garanti för varaktighet eller händelsetiming. Håll liten text och viktiga scenövergångar läsbara och kontrollera extraherad text, beräkningar och genererad kod innan resultatet används. 9B-utgåvans praktiska värde är dess dokumenterade gemensamma område för text- och bilduppgifter och styrbara svarsläge, med den exakta täta identiteten bevarad.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-9b | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0003 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0003 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.5-9b", "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/qwen3.5-9b',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/qwen3.5-9b',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/qwen3.5-9b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.5-9bQwen3.5-9B är Qwens täta modell för bild och språk med 9 miljarder parametrar som tar emot text, bilder och video och returnerar text. Den kombinerar resonemang, kodning, verktygsanrop och flerspråkigt arbete, med valbart resonemang och en inbyggd kontext på 262,144 token som kan utökas genom konfiguration.
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 9B-utgåvan
Qwen3.5-9B är den eftertränade täta kontrollpunkten för bild och språk med 9 miljarder parametrar. Den tar emot text, bilder och video och returnerar text. Familjen förenar resonemang, kodning, agenter och visuell förståelse genom tidig fusion av text- och bildträning, förstärkningsinlärning på successivt mer komplexa uppgifter och stöd för 201 språk och dialekter. Språktäckningen är en familjeförmåga, inte en garanti för identisk tillförlitlighet för varje språk eller ämne.
För flerspråkigt dokumentarbete ska målspråket anges, tekniska termer bevaras och resultatet ombes identifiera källfälten eller avsnitten det använder. För en visuell fråga ska en läsbar bild och en precis uppgift ges. För en liten kodningsbegäran ska indata, önskat beteende och relevant kod tillhandahållas. Modellen genererar inte bilder eller videor när den analyserar visuellt material.
Modellöversikt
Exakt denna 9B-modell är tät, med 32 språkmodellager och en bildkodare. Hybridlayouten upprepar tre Gated DeltaNet-lager följda av ett gated-attention-lager och använder täta framåtriktade nätverk. Flertokenprediktion ingår i träningen. Familjen innehåller även glesa expertmodeller, men deras beskrivningar av totala kontra aktiverade parametrar ska inte tillämpas på denna täta utgåva.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Modellens konfiguration och numeriska storlek ska förbli åtskilda från dess Base-kontrollpunkt, andra Qwen3.5-storlekar och kvantiserade byggen. Ett mindre parameterantal identifierar utgåvan; det fastställer inte i sig en universell svarstid eller kvalitetsrangordning. För komplexa resonemangsuppgifter rekommenderar Qwen att en konfigurerad kontext på minst 128K token behålls där det är möjligt.
Indata och svarslägen
Tillverkaren visar frågor med enbart text, med bild och med video. Ge en dokumentfråga med relevant sida och förväntade fält eller en videofråga med händelsen och det viktiga tidsintervallet. Bevara etiketter, enheter och bildruteordning. Begär ett resultat som kan jämföras med källan, exempelvis en tabell med extraherade värden eller en förklaring som hänvisar till synliga belägg.
Resonemang är aktiverat som standard. enable_thinking kan stänga av resonemang för ett direkt svar, medan de äldre mjuka promptomkopplarna /think och /nothink inte stöds officiellt. Använd tillverkarens mall och håll resonemang åtskilt från sluttext när gränssnittet tillhandahåller båda. Qwen3.5:s historikrekommendation är att behålla slutsvar utan deras resonemangsinnehåll; nyare beteende för historiskt bevarande ska inte importeras till denna utgåva.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent, inklusive konfigurerade eller MCP-anslutna verktyg, och Qwen Code för kodningsagentarbete. Ange tillåtna verktyg och observerbart resultat. Ett anslutet verktyg kan tillhandahålla en beräkning, källhämtning eller faktisk köråterkoppling; modellen kan sedan använda informationen i svaret. Verktygen och externa åtgärder hör till applikationen, så modellnamnet fastställer inte ensamt tillgång eller körning.
Ultralång text
Den dokumenterade utökningen använder YaRN med kontrollpunktens egna positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; för 524,288 token föreslår tillverkaren en faktor på två. Statisk skalning kan påverka prestandan för kortare text och ska därför följa det faktiska behovet av längre kontext. Indata, visuell representation, historik, resonemang och slututdata delar sekvensbudgeten. Organisera långt material efter dokument- eller kodidentifierare och lämna plats för den begärda artefakten.
Genereringsrekommendationer
Modellkortets Best Practices skiljer mellan flera förval. Allmänt resonemang använder 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 resonemangsuppgifter med direkt svar rekommenderar Best Practices i stället temperature 1.0, top_p 1.0, top_k 40 och närvarostraff 2.0. Detta är uppgiftsspecifika recept, inte värden som ska blandas urskillningslöst. Större närvarostraff kan orsaka språkblandning eller en liten kvalitetssänkning.
Qwen rekommenderar en genereringsram på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematik- eller programmeringsfrågor. Det är rekommendationer snarare än oberoende hårda utdatatak. Ange svarsformatet, exempelvis ett avgränsat matematiskt resultat eller ett svarsfält, och verifiera slutsatsen mot källan.
Videodetaljer och väsentliga begränsningar
Tillverkarens videoexempel använder som standard två bildrutor per sekund i det stödda flödet. Råden för timslångt material utökar videoprocessorns budget till omkring 224K videotoken för sampling med högre frekvens. Detta är konfigurationsberoende exempel, inte en universell garanti för varaktighet eller händelsetiming. Håll liten text och viktiga scenövergångar läsbara och kontrollera extraherad text, beräkningar och genererad kod innan resultatet används. 9B-utgåvans praktiska värde är dess dokumenterade gemensamma område för text- och bilduppgifter och styrbara svarsläge, med den exakta täta identiteten bevarad.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.5-9b | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0003 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0003 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.5-9b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.5-9b', '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/qwen3.5-9b', '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/qwen3.5-9b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Implement a small text normaliser\n\nWrite a Python function normalise_code(value) for product codes. Trim leading and trailing spaces, convert letters to uppercase and preserve internal hyphens and digits. Empty or whitespace-only input returns an empty string. Provide tests for ' ab-17 ', 'X-0' and ' '. Do not remove punctuation beyond surrounding whitespace or use external packages.The complete function and three assert tests preserving the specified code semantics.The function converts ' ab-17 ' to 'AB-17' while retaining the hyphen and digit order.