Qwen3.6:s huvuddrag i en tät 27B-modell
Qwen3.6-27B är en tät modell för bild och språk som utvecklats från Qwen3.5-27B. Tillverkaren framhäver bättre kodningsagenter och STEM-resonemang, med förbättrad spatial förståelse, objektlokalisering och detektering, dokument-OCR, videoförståelse och visuella agenter. Den tar emot text, bilder och video och genererar text. Exakt denna täta utgåva skiljer sig från mixture-of-experts-modellen Qwen3.6-35B-A3B även om de delar generation och uppgiftsfokus.
För ett STEM-diagram ska hela problemformuleringen ges och etiketter och enheter bevaras. Be modellen skilja direkt synliga fakta från antaganden och sedan returnera en förklaring med ett tydligt slutsvar. För ett dokument ska fält eller påståenden som ska extraheras specificeras och stödjande sidreferenser begäras. För en kodningsagent ska relevanta moduler, önskat beteende och faktisk återkoppling från det anslutna flödet tillhandahållas. Exemplen tillämpar dokumenterade förmågor; de är inga påståenden om exakt extraktion eller lyckad körning.
Modellöversikt
Modellen har 27 miljarder parametrar och 64 språkmodellager. Hybridlayouten upprepar tre Gated DeltaNet-lager följda av ett gated-attention-lager och använder täta framåtriktade nätverk i stället för glesa experter. En bildkodare tillhandahåller bild- och videoförståelse, och flertokenprediktion ingår i träningen. Arkitekturfakta identifierar kontrollpunkten utan att rangordna varje applikations kvalitet eller svarstid.
Den inbyggda kontexten är 262,144 token och kan utökas till 1,010,000 genom konfiguration. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemang, samtidigt som minnestryck kan kräva en mindre inställning. Representerade bilder och video, text, historiska meddelanden, resonemang och svaret förbrukar alla utrymme i den konfigurerade sekvensen.
Indata och lägen
Tillverkaren visar frågor med text, bild och video. Resonemang är aktiverat som standard, med ett resonemangsblock före slutsvaret. enable_thinking kan stänga av beteendet för ett direkt svar. Qwen3.6 stöder inte officiellt de äldre promptomkopplarna /think och /nothink. Gör det nödvändiga resultatet lätt att identifiera efter förklaringen, exempelvis ett beräknat värde, en tabell med extraherade fält eller en redigerbar kodpatch.
Videoexemplet använder som standard två bildrutor per sekund i det stödda flödet. För timslång video rekommenderar tillverkaren att processorbudgeten ökas för att tillåta sampling med högre frekvens, med ett exempel som motsvarar omkring 224K videotoken. Fler visuella detaljer kräver mer av kontext- och bearbetningsbudgeten. Inställningarna fastställer ingen ovillkorlig videovaraktighet eller exakt noggrannhet för händelsetidsstämplar i varje gränssnitt.
Historiskt resonemang
Standardmallen behåller resonemang kopplade till det senaste användarmeddelandet. Alternativet preserve_thinking kan dessutom behålla resonemang från historiska meddelanden; tillverkarens uttryckliga exempel aktiverar det med true. Det kan stödja iterativ utveckling där tidigare beslut förblir relevanta efter ny verktygsåterkoppling. Det skiljer sig från Qwen3.8:s dokumenterade standardbeteende för bevarande och från Qwen3.5:s råd om att bara behålla slutsvar i historiken. Följ det specifika kontrollpunktsformatet i stället för att tyst ersätta det med en annan generations historikregler.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodningsagentarbete. Ange tillåtna åtgärder och observerbara slutförandekriterier. Ett verktyg kan inspektera tillhandahållet material eller returnera ett verkligt kontrollresultat, varefter modellen kan revidera analysen. Modellen får inte tillgång till filsystem, aktuella källor eller en körmiljö enbart genom sin agentspecialisering.
Ultralånga indata
Utökningsreceptet använder YaRN med modellens 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 sänka prestandan för kortare text och ska därför följa det faktiska behovet av lång kontext. Håll sidor, funktioner och dokumentgränser märkta och begär sedan slutsatser som identifierar stödjande belägg.
Genereringsrekommendationer och begränsningar
Modellkortets Best Practices rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0 för allmänt resonemang. För precis kodning blir temperature 0.6. För direkta svar är temperature 0.7, top_p 0.8 och närvarostraffet 1.5, med övriga värden oförändrade. Tillverkaren varnar för att större närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt svår matematik eller programmering. De är inte separat fastställda hårda tak. Definiera ett slutsvarsformat och kontrollera extraherad text, spatiala slutsatser, beräkningar och föreslagen kod mot källan. En stor kontext och bevarade resonemang hjälper till att föra belägg genom uppgiften; den granskningsbara artefakten förblir det användbara resultatet.
", "aboutText": "Qwen3.6:s huvuddrag i en tät 27B-modell\n\nQwen3.6-27B är en tät modell för bild och språk som utvecklats från Qwen3.5-27B. Tillverkaren framhäver bättre kodningsagenter och STEM-resonemang, med förbättrad spatial förståelse, objektlokalisering och detektering, dokument-OCR, videoförståelse och visuella agenter. Den tar emot text, bilder och video och genererar text. Exakt denna täta utgåva skiljer sig från mixture-of-experts-modellen Qwen3.6-35B-A3B även om de delar generation och uppgiftsfokus.\n\nFör ett STEM-diagram ska hela problemformuleringen ges och etiketter och enheter bevaras. Be modellen skilja direkt synliga fakta från antaganden och sedan returnera en förklaring med ett tydligt slutsvar. För ett dokument ska fält eller påståenden som ska extraheras specificeras och stödjande sidreferenser begäras. För en kodningsagent ska relevanta moduler, önskat beteende och faktisk återkoppling från det anslutna flödet tillhandahållas. Exemplen tillämpar dokumenterade förmågor; de är inga påståenden om exakt extraktion eller lyckad körning.\n\nModellöversikt\n\nModellen har 27 miljarder parametrar och 64 språkmodellager. Hybridlayouten upprepar tre Gated DeltaNet-lager följda av ett gated-attention-lager och använder täta framåtriktade nätverk i stället för glesa experter. En bildkodare tillhandahåller bild- och videoförståelse, och flertokenprediktion ingår i träningen. Arkitekturfakta identifierar kontrollpunkten utan att rangordna varje applikations kvalitet eller svarstid.\n\nDen inbyggda kontexten är 262,144 token och kan utökas till 1,010,000 genom konfiguration. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemang, samtidigt som minnestryck kan kräva en mindre inställning. Representerade bilder och video, text, historiska meddelanden, resonemang och svaret förbrukar alla utrymme i den konfigurerade sekvensen.\n\nIndata och lägen\n\nTillverkaren visar frågor med text, bild och video. Resonemang är aktiverat som standard, med ett resonemangsblock före slutsvaret. enable_thinking kan stänga av beteendet för ett direkt svar. Qwen3.6 stöder inte officiellt de äldre promptomkopplarna /think och /nothink. Gör det nödvändiga resultatet lätt att identifiera efter förklaringen, exempelvis ett beräknat värde, en tabell med extraherade fält eller en redigerbar kodpatch.\n\nVideoexemplet använder som standard två bildrutor per sekund i det stödda flödet. För timslång video rekommenderar tillverkaren att processorbudgeten ökas för att tillåta sampling med högre frekvens, med ett exempel som motsvarar omkring 224K videotoken. Fler visuella detaljer kräver mer av kontext- och bearbetningsbudgeten. Inställningarna fastställer ingen ovillkorlig videovaraktighet eller exakt noggrannhet för händelsetidsstämplar i varje gränssnitt.\n\nHistoriskt resonemang\n\nStandardmallen behåller resonemang kopplade till det senaste användarmeddelandet. Alternativet preserve_thinking kan dessutom behålla resonemang från historiska meddelanden; tillverkarens uttryckliga exempel aktiverar det med true. Det kan stödja iterativ utveckling där tidigare beslut förblir relevanta efter ny verktygsåterkoppling. Det skiljer sig från Qwen3.8:s dokumenterade standardbeteende för bevarande och från Qwen3.5:s råd om att bara behålla slutsvar i historiken. Följ det specifika kontrollpunktsformatet i stället för att tyst ersätta det med en annan generations historikregler.\n\nAgentanvändning\n\nQwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodningsagentarbete. Ange tillåtna åtgärder och observerbara slutförandekriterier. Ett verktyg kan inspektera tillhandahållet material eller returnera ett verkligt kontrollresultat, varefter modellen kan revidera analysen. Modellen får inte tillgång till filsystem, aktuella källor eller en körmiljö enbart genom sin agentspecialisering.\n\nUltralånga indata\n\nUtökningsreceptet använder YaRN med modellens 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 sänka prestandan för kortare text och ska därför följa det faktiska behovet av lång kontext. Håll sidor, funktioner och dokumentgränser märkta och begär sedan slutsatser som identifierar stödjande belägg.\n\nGenereringsrekommendationer och begränsningar\n\nModellkortets Best Practices rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0 för allmänt resonemang. För precis kodning blir temperature 0.6. För direkta svar är temperature 0.7, top_p 0.8 och närvarostraffet 1.5, med övriga värden oförändrade. Tillverkaren varnar för att större närvarostraff kan blanda språk eller sänka kvaliteten något.\n\nRekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt svår matematik eller programmering. De är inte separat fastställda hårda tak. Definiera ett slutsvarsformat och kontrollera extraherad text, spatiala slutsatser, beräkningar och föreslagen kod mot källan. En stor kontext och bevarade resonemang hjälper till att föra belägg genom uppgiften; den granskningsbara artefakten förblir det användbara resultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.qwen/qwen3.6-27bQwen3.6-27B är Qwens täta bild- och språkmodell för kodning, STEM-resonemang och visuell analys. Den tar emot text, bilder och video och returnerar text, med valbart tänkande, valfritt bevarande av tidigare resonemang och en ursprunglig kontext på 262,144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.6:s huvuddrag i en tät 27B-modell
Qwen3.6-27B är en tät modell för bild och språk som utvecklats från Qwen3.5-27B. Tillverkaren framhäver bättre kodningsagenter och STEM-resonemang, med förbättrad spatial förståelse, objektlokalisering och detektering, dokument-OCR, videoförståelse och visuella agenter. Den tar emot text, bilder och video och genererar text. Exakt denna täta utgåva skiljer sig från mixture-of-experts-modellen Qwen3.6-35B-A3B även om de delar generation och uppgiftsfokus.
För ett STEM-diagram ska hela problemformuleringen ges och etiketter och enheter bevaras. Be modellen skilja direkt synliga fakta från antaganden och sedan returnera en förklaring med ett tydligt slutsvar. För ett dokument ska fält eller påståenden som ska extraheras specificeras och stödjande sidreferenser begäras. För en kodningsagent ska relevanta moduler, önskat beteende och faktisk återkoppling från det anslutna flödet tillhandahållas. Exemplen tillämpar dokumenterade förmågor; de är inga påståenden om exakt extraktion eller lyckad körning.
Modellöversikt
Modellen har 27 miljarder parametrar och 64 språkmodellager. Hybridlayouten upprepar tre Gated DeltaNet-lager följda av ett gated-attention-lager och använder täta framåtriktade nätverk i stället för glesa experter. En bildkodare tillhandahåller bild- och videoförståelse, och flertokenprediktion ingår i träningen. Arkitekturfakta identifierar kontrollpunkten utan att rangordna varje applikations kvalitet eller svarstid.
Den inbyggda kontexten är 262,144 token och kan utökas till 1,010,000 genom konfiguration. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemang, samtidigt som minnestryck kan kräva en mindre inställning. Representerade bilder och video, text, historiska meddelanden, resonemang och svaret förbrukar alla utrymme i den konfigurerade sekvensen.
Indata och lägen
Tillverkaren visar frågor med text, bild och video. Resonemang är aktiverat som standard, med ett resonemangsblock före slutsvaret. enable_thinking kan stänga av beteendet för ett direkt svar. Qwen3.6 stöder inte officiellt de äldre promptomkopplarna /think och /nothink. Gör det nödvändiga resultatet lätt att identifiera efter förklaringen, exempelvis ett beräknat värde, en tabell med extraherade fält eller en redigerbar kodpatch.
Videoexemplet använder som standard två bildrutor per sekund i det stödda flödet. För timslång video rekommenderar tillverkaren att processorbudgeten ökas för att tillåta sampling med högre frekvens, med ett exempel som motsvarar omkring 224K videotoken. Fler visuella detaljer kräver mer av kontext- och bearbetningsbudgeten. Inställningarna fastställer ingen ovillkorlig videovaraktighet eller exakt noggrannhet för händelsetidsstämplar i varje gränssnitt.
Historiskt resonemang
Standardmallen behåller resonemang kopplade till det senaste användarmeddelandet. Alternativet preserve_thinking kan dessutom behålla resonemang från historiska meddelanden; tillverkarens uttryckliga exempel aktiverar det med true. Det kan stödja iterativ utveckling där tidigare beslut förblir relevanta efter ny verktygsåterkoppling. Det skiljer sig från Qwen3.8:s dokumenterade standardbeteende för bevarande och från Qwen3.5:s råd om att bara behålla slutsvar i historiken. Följ det specifika kontrollpunktsformatet i stället för att tyst ersätta det med en annan generations historikregler.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodningsagentarbete. Ange tillåtna åtgärder och observerbara slutförandekriterier. Ett verktyg kan inspektera tillhandahållet material eller returnera ett verkligt kontrollresultat, varefter modellen kan revidera analysen. Modellen får inte tillgång till filsystem, aktuella källor eller en körmiljö enbart genom sin agentspecialisering.
Ultralånga indata
Utökningsreceptet använder YaRN med modellens 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 sänka prestandan för kortare text och ska därför följa det faktiska behovet av lång kontext. Håll sidor, funktioner och dokumentgränser märkta och begär sedan slutsatser som identifierar stödjande belägg.
Genereringsrekommendationer och begränsningar
Modellkortets Best Practices rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0 för allmänt resonemang. För precis kodning blir temperature 0.6. För direkta svar är temperature 0.7, top_p 0.8 och närvarostraffet 1.5, med övriga värden oförändrade. Tillverkaren varnar för att större närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt svår matematik eller programmering. De är inte separat fastställda hårda tak. Definiera ett slutsvarsformat och kontrollera extraherad text, spatiala slutsatser, beräkningar och föreslagen kod mot källan. En stor kontext och bevarade resonemang hjälper till att föra belägg genom uppgiften; den granskningsbara artefakten förblir det användbara resultatet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.6-27b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0009 / 1K token Utdata · Utdatatoken $0.0054 / 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 $0.0009 / 1K token Utdata · Utdatatoken $0.0054 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.6-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3.6-27b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.6-27bQwen3.6-27B är Qwens täta bild- och språkmodell för kodning, STEM-resonemang och visuell analys. Den tar emot text, bilder och video och returnerar text, med valbart tänkande, valfritt bevarande av tidigare resonemang och en ursprunglig kontext på 262,144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.6:s huvuddrag i en tät 27B-modell
Qwen3.6-27B är en tät modell för bild och språk som utvecklats från Qwen3.5-27B. Tillverkaren framhäver bättre kodningsagenter och STEM-resonemang, med förbättrad spatial förståelse, objektlokalisering och detektering, dokument-OCR, videoförståelse och visuella agenter. Den tar emot text, bilder och video och genererar text. Exakt denna täta utgåva skiljer sig från mixture-of-experts-modellen Qwen3.6-35B-A3B även om de delar generation och uppgiftsfokus.
För ett STEM-diagram ska hela problemformuleringen ges och etiketter och enheter bevaras. Be modellen skilja direkt synliga fakta från antaganden och sedan returnera en förklaring med ett tydligt slutsvar. För ett dokument ska fält eller påståenden som ska extraheras specificeras och stödjande sidreferenser begäras. För en kodningsagent ska relevanta moduler, önskat beteende och faktisk återkoppling från det anslutna flödet tillhandahållas. Exemplen tillämpar dokumenterade förmågor; de är inga påståenden om exakt extraktion eller lyckad körning.
Modellöversikt
Modellen har 27 miljarder parametrar och 64 språkmodellager. Hybridlayouten upprepar tre Gated DeltaNet-lager följda av ett gated-attention-lager och använder täta framåtriktade nätverk i stället för glesa experter. En bildkodare tillhandahåller bild- och videoförståelse, och flertokenprediktion ingår i träningen. Arkitekturfakta identifierar kontrollpunkten utan att rangordna varje applikations kvalitet eller svarstid.
Den inbyggda kontexten är 262,144 token och kan utökas till 1,010,000 genom konfiguration. Qwen rekommenderar att minst 128K kontext behålls där det är möjligt för komplexa resonemang, samtidigt som minnestryck kan kräva en mindre inställning. Representerade bilder och video, text, historiska meddelanden, resonemang och svaret förbrukar alla utrymme i den konfigurerade sekvensen.
Indata och lägen
Tillverkaren visar frågor med text, bild och video. Resonemang är aktiverat som standard, med ett resonemangsblock före slutsvaret. enable_thinking kan stänga av beteendet för ett direkt svar. Qwen3.6 stöder inte officiellt de äldre promptomkopplarna /think och /nothink. Gör det nödvändiga resultatet lätt att identifiera efter förklaringen, exempelvis ett beräknat värde, en tabell med extraherade fält eller en redigerbar kodpatch.
Videoexemplet använder som standard två bildrutor per sekund i det stödda flödet. För timslång video rekommenderar tillverkaren att processorbudgeten ökas för att tillåta sampling med högre frekvens, med ett exempel som motsvarar omkring 224K videotoken. Fler visuella detaljer kräver mer av kontext- och bearbetningsbudgeten. Inställningarna fastställer ingen ovillkorlig videovaraktighet eller exakt noggrannhet för händelsetidsstämplar i varje gränssnitt.
Historiskt resonemang
Standardmallen behåller resonemang kopplade till det senaste användarmeddelandet. Alternativet preserve_thinking kan dessutom behålla resonemang från historiska meddelanden; tillverkarens uttryckliga exempel aktiverar det med true. Det kan stödja iterativ utveckling där tidigare beslut förblir relevanta efter ny verktygsåterkoppling. Det skiljer sig från Qwen3.8:s dokumenterade standardbeteende för bevarande och från Qwen3.5:s råd om att bara behålla slutsvar i historiken. Följ det specifika kontrollpunktsformatet i stället för att tyst ersätta det med en annan generations historikregler.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent med konfigurerade eller MCP-anslutna verktyg samt Qwen Code för kodningsagentarbete. Ange tillåtna åtgärder och observerbara slutförandekriterier. Ett verktyg kan inspektera tillhandahållet material eller returnera ett verkligt kontrollresultat, varefter modellen kan revidera analysen. Modellen får inte tillgång till filsystem, aktuella källor eller en körmiljö enbart genom sin agentspecialisering.
Ultralånga indata
Utökningsreceptet använder YaRN med modellens 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 sänka prestandan för kortare text och ska därför följa det faktiska behovet av lång kontext. Håll sidor, funktioner och dokumentgränser märkta och begär sedan slutsatser som identifierar stödjande belägg.
Genereringsrekommendationer och begränsningar
Modellkortets Best Practices rekommenderar temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 0 och upprepningsstraff 1.0 för allmänt resonemang. För precis kodning blir temperature 0.6. För direkta svar är temperature 0.7, top_p 0.8 och närvarostraffet 1.5, med övriga värden oförändrade. Tillverkaren varnar för att större närvarostraff kan blanda språk eller sänka kvaliteten något.
Rekommenderade genereringsramar är 32,768 token för de flesta frågor och 81,920 för ovanligt svår matematik eller programmering. De är inte separat fastställda hårda tak. Definiera ett slutsvarsformat och kontrollera extraherad text, spatiala slutsatser, beräkningar och föreslagen kod mot källan. En stor kontext och bevarade resonemang hjälper till att föra belägg genom uppgiften; den granskningsbara artefakten förblir det användbara resultatet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.6-27b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0009 / 1K token Utdata · Utdatatoken $0.0054 / 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 $0.0009 / 1K token Utdata · Utdatatoken $0.0054 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3.6-27b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Calculate a series-circuit result\n\nA circuit is described in text: an ideal 12 V source is connected to two resistors, 3 Ω and 5 Ω, in series. Wires have zero resistance. Calculate total resistance, current and voltage across each resistor. Show formulas with units and check that the two voltage drops equal the source voltage.A worked solution with total resistance, shared current, both voltage drops and a voltage-sum check.Check that the same current flows through both series resistors and the computed voltage drops sum to 12 V.