Qwen3.6:s huvuddrag: kodning och kontinuitet i resonemang
Qwen3.6-35B-A3B är en modell för bild och språk med fokus på användbar kodning och agentarbete. Qwen framhäver förbättrade frontendflöden och resonemang på kodbasnivå samt ett nytt alternativ att behålla resonemang från historiska meddelanden. Den tar emot text, bilder och video och returnerar text: en förklaring, ett kodförslag, strukturerad analys eller en annan begärd textartefakt. Bevara exakt denna 35B-A3B-utgåva i stället för att behandla den som den täta Qwen3.6-27B eller dess tidigare Qwen3.5-motsvarighet.
För en frontenduppgift ska relevant skärmbild, funktionskrav och befintlig kodkontext ges. Begär redigerbar källkod och en beskrivning av avsedda tillstånd och interaktioner. För en kodbasuppgift ska den berörda funktionen, indata som visar problemet och förväntat beteende identifieras. Begär en föreslagen patch med antaganden och relevanta kontroller.
Modellöversikt
Mixture-of-experts-modellen har totalt 35 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 40 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Den har 256 routade experter och väljer åtta routade experter med en gemensam expert; flertokenprediktion ingår i träningen. Det mindre aktiverade antalet beskriver inte den fullständiga kontrollpunktsstorleken. En bildkodare tillhandahåller modellens visuella del.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Tillverkaren rekommenderar att en kontext på minst 128K behålls där det är möjligt för komplexa resonemangsuppgifter, även om en minskning skulle lätta på minnestrycket. Källtext, representerade visuella indata, historiska meddelanden, resonemang och slutsvar delar den konfigurerade sekvensramen.
Använda indata och svarslägen
Modellkortet visar frågor med text, bilder och video. För ett diagram eller en sida ska etiketter bevaras och den exakta frågan definieras. För ett klipp ska timing bevaras och den intressanta händelsen anges. Tillverkarens stödda videoexempel använder som standard två bildrutor per sekund och tillåter samplingskonfiguration. Receptet för bästa praxis utökar videoprocessorns budget till omkring 224K videotoken för timslång analys med högre frekvens; det är ett konfigurationsexempel snarare än en universell hård gräns för klippvaraktighet.
Resonemang är aktiverat som standard. Tillverkarens kontroll enable_thinking kan stänga av det för ett direkt svar. Qwen3.6 stöder inte officiellt de äldre mjuka Qwen3-promptomkopplarna /think och /nothink. Skilj resonemanget från slutartefakten när ett resultat presenteras och följ kontrollpunktens eget gränssnitt i stället för att anta att promptmarkörer eller kontroller från en annan generation gäller.
Bevara historiskt resonemang
Som standard behåller mallen resonemangsblock kopplade till det senaste användarmeddelandet. Qwen3.6 har dessutom tränats att använda historiska resonemang när preserve_thinking är aktiverat. Det uttryckliga exemplet sätter alternativet till true. Det kan hjälpa en iterativ agentuppgift att bevara beslutskontext i stället för att upprepade gånger härleda tidigare val; det ändrar också mängden historik som begäran bär. Alternativets tillgänglighet beror på att gränssnittet exponerar tillverkarens recept.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent för att konfigurera verktyg, inklusive MCP-anslutna verktyg. Qwen Code är ett annat av tillverkaren dokumenterat flöde för kodningsagenter. Definiera tillåtna verktyg, uppgiftsmål och förväntad leverans och returnera sedan faktiska verktygsobservationer till modellen. Modellen kan resonera om ett resultat och revidera en plan; tillgång till filer eller körmiljöer kommer från den anslutna applikationen, inte modellnamnet.
Ultralång text
Den dokumenterade kontextutökningen använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; för arbetslaster på 524,288 token föreslår Qwen en faktor på två. Statisk skalning kan påverka prestandan för kortare text, så tillverkaren rekommenderar att den ändras när längre kontext behövs. Behåll avsnitts- och kodidentifierare i stora indata och begär att resultatet visar vilka belägg som stöder varje slutsats.
Genereringsråd och begränsningar
För allmänt resonemang rekommenderar tillverkaren temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0. För precis kodning blir temperature 0.6 och närvarostraffet noll. För direkta svar rekommenderas temperature 0.7, top_p 0.8 och närvarostraff 1.5, med övriga värden oförändrade. Högre närvarostraff kan minska upprepning men kan blanda språk eller sänka kvaliteten något.
Qwen rekommenderar en genereringsram på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematiska eller programmeringsrelaterade uppgifter. Detta är rekommendationer, inte separat fastställda hårda utdatatak. Ange slutformatet uttryckligen och kontrollera kod, beräkningar och extraherade visuella detaljer mot källan. Kontinuitet i resonemang och lång kontext hjälper till att bära uppgiftens belägg, medan en kontrollerbar slutartefakt gör resultatet användbart.
", "aboutText": "Qwen3.6:s huvuddrag: kodning och kontinuitet i resonemang\n\nQwen3.6-35B-A3B är en modell för bild och språk med fokus på användbar kodning och agentarbete. Qwen framhäver förbättrade frontendflöden och resonemang på kodbasnivå samt ett nytt alternativ att behålla resonemang från historiska meddelanden. Den tar emot text, bilder och video och returnerar text: en förklaring, ett kodförslag, strukturerad analys eller en annan begärd textartefakt. Bevara exakt denna 35B-A3B-utgåva i stället för att behandla den som den täta Qwen3.6-27B eller dess tidigare Qwen3.5-motsvarighet.\n\nFör en frontenduppgift ska relevant skärmbild, funktionskrav och befintlig kodkontext ges. Begär redigerbar källkod och en beskrivning av avsedda tillstånd och interaktioner. För en kodbasuppgift ska den berörda funktionen, indata som visar problemet och förväntat beteende identifieras. Begär en föreslagen patch med antaganden och relevanta kontroller.\n\nModellöversikt\n\nMixture-of-experts-modellen har totalt 35 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 40 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Den har 256 routade experter och väljer åtta routade experter med en gemensam expert; flertokenprediktion ingår i träningen. Det mindre aktiverade antalet beskriver inte den fullständiga kontrollpunktsstorleken. En bildkodare tillhandahåller modellens visuella del.\n\nDen inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Tillverkaren rekommenderar att en kontext på minst 128K behålls där det är möjligt för komplexa resonemangsuppgifter, även om en minskning skulle lätta på minnestrycket. Källtext, representerade visuella indata, historiska meddelanden, resonemang och slutsvar delar den konfigurerade sekvensramen.\n\nAnvända indata och svarslägen\n\nModellkortet visar frågor med text, bilder och video. För ett diagram eller en sida ska etiketter bevaras och den exakta frågan definieras. För ett klipp ska timing bevaras och den intressanta händelsen anges. Tillverkarens stödda videoexempel använder som standard två bildrutor per sekund och tillåter samplingskonfiguration. Receptet för bästa praxis utökar videoprocessorns budget till omkring 224K videotoken för timslång analys med högre frekvens; det är ett konfigurationsexempel snarare än en universell hård gräns för klippvaraktighet.\n\nResonemang är aktiverat som standard. Tillverkarens kontroll enable_thinking kan stänga av det för ett direkt svar. Qwen3.6 stöder inte officiellt de äldre mjuka Qwen3-promptomkopplarna /think och /nothink. Skilj resonemanget från slutartefakten när ett resultat presenteras och följ kontrollpunktens eget gränssnitt i stället för att anta att promptmarkörer eller kontroller från en annan generation gäller.\n\nBevara historiskt resonemang\n\nSom standard behåller mallen resonemangsblock kopplade till det senaste användarmeddelandet. Qwen3.6 har dessutom tränats att använda historiska resonemang när preserve_thinking är aktiverat. Det uttryckliga exemplet sätter alternativet till true. Det kan hjälpa en iterativ agentuppgift att bevara beslutskontext i stället för att upprepade gånger härleda tidigare val; det ändrar också mängden historik som begäran bär. Alternativets tillgänglighet beror på att gränssnittet exponerar tillverkarens recept.\n\nAgentanvändning\n\nQwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent för att konfigurera verktyg, inklusive MCP-anslutna verktyg. Qwen Code är ett annat av tillverkaren dokumenterat flöde för kodningsagenter. Definiera tillåtna verktyg, uppgiftsmål och förväntad leverans och returnera sedan faktiska verktygsobservationer till modellen. Modellen kan resonera om ett resultat och revidera en plan; tillgång till filer eller körmiljöer kommer från den anslutna applikationen, inte modellnamnet.\n\nUltralång text\n\nDen dokumenterade kontextutökningen använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; för arbetslaster på 524,288 token föreslår Qwen en faktor på två. Statisk skalning kan påverka prestandan för kortare text, så tillverkaren rekommenderar att den ändras när längre kontext behövs. Behåll avsnitts- och kodidentifierare i stora indata och begär att resultatet visar vilka belägg som stöder varje slutsats.\n\nGenereringsråd och begränsningar\n\nFör allmänt resonemang rekommenderar tillverkaren temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0. För precis kodning blir temperature 0.6 och närvarostraffet noll. För direkta svar rekommenderas temperature 0.7, top_p 0.8 och närvarostraff 1.5, med övriga värden oförändrade. Högre närvarostraff kan minska upprepning men kan blanda språk eller sänka kvaliteten något.\n\nQwen rekommenderar en genereringsram på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematiska eller programmeringsrelaterade uppgifter. Detta är rekommendationer, inte separat fastställda hårda utdatatak. Ange slutformatet uttryckligen och kontrollera kod, beräkningar och extraherade visuella detaljer mot källan. Kontinuitet i resonemang och lång kontext hjälper till att bära uppgiftens belägg, medan en kontrollerbar slutartefakt gör resultatet användbart.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B är Qwens mixture-of-experts-modell för bild och språk med totalt 35 miljarder och 3 miljarder aktiverade parametrar. Den fokuserar på frontendkodning och kodning på kodbasnivå, lägger till valfritt bevarande av historiska resonemang och tar emot text, bilder och video med textutdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.6:s huvuddrag: kodning och kontinuitet i resonemang
Qwen3.6-35B-A3B är en modell för bild och språk med fokus på användbar kodning och agentarbete. Qwen framhäver förbättrade frontendflöden och resonemang på kodbasnivå samt ett nytt alternativ att behålla resonemang från historiska meddelanden. Den tar emot text, bilder och video och returnerar text: en förklaring, ett kodförslag, strukturerad analys eller en annan begärd textartefakt. Bevara exakt denna 35B-A3B-utgåva i stället för att behandla den som den täta Qwen3.6-27B eller dess tidigare Qwen3.5-motsvarighet.
För en frontenduppgift ska relevant skärmbild, funktionskrav och befintlig kodkontext ges. Begär redigerbar källkod och en beskrivning av avsedda tillstånd och interaktioner. För en kodbasuppgift ska den berörda funktionen, indata som visar problemet och förväntat beteende identifieras. Begär en föreslagen patch med antaganden och relevanta kontroller.
Modellöversikt
Mixture-of-experts-modellen har totalt 35 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 40 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Den har 256 routade experter och väljer åtta routade experter med en gemensam expert; flertokenprediktion ingår i träningen. Det mindre aktiverade antalet beskriver inte den fullständiga kontrollpunktsstorleken. En bildkodare tillhandahåller modellens visuella del.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Tillverkaren rekommenderar att en kontext på minst 128K behålls där det är möjligt för komplexa resonemangsuppgifter, även om en minskning skulle lätta på minnestrycket. Källtext, representerade visuella indata, historiska meddelanden, resonemang och slutsvar delar den konfigurerade sekvensramen.
Använda indata och svarslägen
Modellkortet visar frågor med text, bilder och video. För ett diagram eller en sida ska etiketter bevaras och den exakta frågan definieras. För ett klipp ska timing bevaras och den intressanta händelsen anges. Tillverkarens stödda videoexempel använder som standard två bildrutor per sekund och tillåter samplingskonfiguration. Receptet för bästa praxis utökar videoprocessorns budget till omkring 224K videotoken för timslång analys med högre frekvens; det är ett konfigurationsexempel snarare än en universell hård gräns för klippvaraktighet.
Resonemang är aktiverat som standard. Tillverkarens kontroll enable_thinking kan stänga av det för ett direkt svar. Qwen3.6 stöder inte officiellt de äldre mjuka Qwen3-promptomkopplarna /think och /nothink. Skilj resonemanget från slutartefakten när ett resultat presenteras och följ kontrollpunktens eget gränssnitt i stället för att anta att promptmarkörer eller kontroller från en annan generation gäller.
Bevara historiskt resonemang
Som standard behåller mallen resonemangsblock kopplade till det senaste användarmeddelandet. Qwen3.6 har dessutom tränats att använda historiska resonemang när preserve_thinking är aktiverat. Det uttryckliga exemplet sätter alternativet till true. Det kan hjälpa en iterativ agentuppgift att bevara beslutskontext i stället för att upprepade gånger härleda tidigare val; det ändrar också mängden historik som begäran bär. Alternativets tillgänglighet beror på att gränssnittet exponerar tillverkarens recept.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent för att konfigurera verktyg, inklusive MCP-anslutna verktyg. Qwen Code är ett annat av tillverkaren dokumenterat flöde för kodningsagenter. Definiera tillåtna verktyg, uppgiftsmål och förväntad leverans och returnera sedan faktiska verktygsobservationer till modellen. Modellen kan resonera om ett resultat och revidera en plan; tillgång till filer eller körmiljöer kommer från den anslutna applikationen, inte modellnamnet.
Ultralång text
Den dokumenterade kontextutökningen använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; för arbetslaster på 524,288 token föreslår Qwen en faktor på två. Statisk skalning kan påverka prestandan för kortare text, så tillverkaren rekommenderar att den ändras när längre kontext behövs. Behåll avsnitts- och kodidentifierare i stora indata och begär att resultatet visar vilka belägg som stöder varje slutsats.
Genereringsråd och begränsningar
För allmänt resonemang rekommenderar tillverkaren temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0. För precis kodning blir temperature 0.6 och närvarostraffet noll. För direkta svar rekommenderas temperature 0.7, top_p 0.8 och närvarostraff 1.5, med övriga värden oförändrade. Högre närvarostraff kan minska upprepning men kan blanda språk eller sänka kvaliteten något.
Qwen rekommenderar en genereringsram på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematiska eller programmeringsrelaterade uppgifter. Detta är rekommendationer, inte separat fastställda hårda utdatatak. Ange slutformatet uttryckligen och kontrollera kod, beräkningar och extraherade visuella detaljer mot källan. Kontinuitet i resonemang och lång kontext hjälper till att bära uppgiftens belägg, medan en kontrollerbar slutartefakt gör resultatet användbart.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.6-35b-a3b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000566 / 1K token Utdata · Utdatatoken $0.00341 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.000566 / 1K token Utdata · Utdatatoken $0.00341 / 1K token Indata · Cacheläsning $0.0001 / 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/qwen3.6-35b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.6-35b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Använd metodsökvägarna som visas ovan.
qwen/qwen3.6-35b-a3bQwen3.6-35B-A3B är Qwens mixture-of-experts-modell för bild och språk med totalt 35 miljarder och 3 miljarder aktiverade parametrar. Den fokuserar på frontendkodning och kodning på kodbasnivå, lägger till valfritt bevarande av historiska resonemang och tar emot text, bilder och video med textutdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3.6:s huvuddrag: kodning och kontinuitet i resonemang
Qwen3.6-35B-A3B är en modell för bild och språk med fokus på användbar kodning och agentarbete. Qwen framhäver förbättrade frontendflöden och resonemang på kodbasnivå samt ett nytt alternativ att behålla resonemang från historiska meddelanden. Den tar emot text, bilder och video och returnerar text: en förklaring, ett kodförslag, strukturerad analys eller en annan begärd textartefakt. Bevara exakt denna 35B-A3B-utgåva i stället för att behandla den som den täta Qwen3.6-27B eller dess tidigare Qwen3.5-motsvarighet.
För en frontenduppgift ska relevant skärmbild, funktionskrav och befintlig kodkontext ges. Begär redigerbar källkod och en beskrivning av avsedda tillstånd och interaktioner. För en kodbasuppgift ska den berörda funktionen, indata som visar problemet och förväntat beteende identifieras. Begär en föreslagen patch med antaganden och relevanta kontroller.
Modellöversikt
Mixture-of-experts-modellen har totalt 35 miljarder parametrar och aktiverar tre miljarder. Dess hybridlayout med 40 lager upprepar tre Gated DeltaNet-expertlager följda av ett gated-attention-expertlager. Den har 256 routade experter och väljer åtta routade experter med en gemensam expert; flertokenprediktion ingår i träningen. Det mindre aktiverade antalet beskriver inte den fullständiga kontrollpunktsstorleken. En bildkodare tillhandahåller modellens visuella del.
Den inbyggda kontexten är 262,144 token, med villkorad utökning till 1,010,000. Tillverkaren rekommenderar att en kontext på minst 128K behålls där det är möjligt för komplexa resonemangsuppgifter, även om en minskning skulle lätta på minnestrycket. Källtext, representerade visuella indata, historiska meddelanden, resonemang och slutsvar delar den konfigurerade sekvensramen.
Använda indata och svarslägen
Modellkortet visar frågor med text, bilder och video. För ett diagram eller en sida ska etiketter bevaras och den exakta frågan definieras. För ett klipp ska timing bevaras och den intressanta händelsen anges. Tillverkarens stödda videoexempel använder som standard två bildrutor per sekund och tillåter samplingskonfiguration. Receptet för bästa praxis utökar videoprocessorns budget till omkring 224K videotoken för timslång analys med högre frekvens; det är ett konfigurationsexempel snarare än en universell hård gräns för klippvaraktighet.
Resonemang är aktiverat som standard. Tillverkarens kontroll enable_thinking kan stänga av det för ett direkt svar. Qwen3.6 stöder inte officiellt de äldre mjuka Qwen3-promptomkopplarna /think och /nothink. Skilj resonemanget från slutartefakten när ett resultat presenteras och följ kontrollpunktens eget gränssnitt i stället för att anta att promptmarkörer eller kontroller från en annan generation gäller.
Bevara historiskt resonemang
Som standard behåller mallen resonemangsblock kopplade till det senaste användarmeddelandet. Qwen3.6 har dessutom tränats att använda historiska resonemang när preserve_thinking är aktiverat. Det uttryckliga exemplet sätter alternativet till true. Det kan hjälpa en iterativ agentuppgift att bevara beslutskontext i stället för att upprepade gånger härleda tidigare val; det ändrar också mängden historik som begäran bär. Alternativets tillgänglighet beror på att gränssnittet exponerar tillverkarens recept.
Agentanvändning
Qwen dokumenterar verktygsanrop och rekommenderar Qwen-Agent för att konfigurera verktyg, inklusive MCP-anslutna verktyg. Qwen Code är ett annat av tillverkaren dokumenterat flöde för kodningsagenter. Definiera tillåtna verktyg, uppgiftsmål och förväntad leverans och returnera sedan faktiska verktygsobservationer till modellen. Modellen kan resonera om ett resultat och revidera en plan; tillgång till filer eller körmiljöer kommer från den anslutna applikationen, inte modellnamnet.
Ultralång text
Den dokumenterade kontextutökningen använder YaRN med kontrollpunktens sammanflätade positionsinställningar. En faktor på fyra siktar på flödet med omkring en miljon token; för arbetslaster på 524,288 token föreslår Qwen en faktor på två. Statisk skalning kan påverka prestandan för kortare text, så tillverkaren rekommenderar att den ändras när längre kontext behövs. Behåll avsnitts- och kodidentifierare i stora indata och begär att resultatet visar vilka belägg som stöder varje slutsats.
Genereringsråd och begränsningar
För allmänt resonemang rekommenderar tillverkaren temperature 1.0, top_p 0.95, top_k 20, min_p 0, närvarostraff 1.5 och upprepningsstraff 1.0. För precis kodning blir temperature 0.6 och närvarostraffet noll. För direkta svar rekommenderas temperature 0.7, top_p 0.8 och närvarostraff 1.5, med övriga värden oförändrade. Högre närvarostraff kan minska upprepning men kan blanda språk eller sänka kvaliteten något.
Qwen rekommenderar en genereringsram på 32,768 token för de flesta frågor och 81,920 för ovanligt komplexa matematiska eller programmeringsrelaterade uppgifter. Detta är rekommendationer, inte separat fastställda hårda utdatatak. Ange slutformatet uttryckligen och kontrollera kod, beräkningar och extraherade visuella detaljer mot källan. Kontinuitet i resonemang och lång kontext hjälper till att bära uppgiftens belägg, medan en kontrollerbar slutartefakt gör resultatet användbart.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3.6-35b-a3b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000566 / 1K token Utdata · Utdatatoken $0.00341 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.000566 / 1K token Utdata · Utdatatoken $0.00341 / 1K token Indata · Cacheläsning $0.0001 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3.6-35b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.6-35b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3.6-35b-a3b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Correct a button loading state\n\nPropose a small JavaScript change for a save form. Current handler sets button.disabled = true, awaits saveDraft(), then reenables the button. When saveDraft rejects, the button stays disabled. Preserve the save operation and show pseudocode for displaying an error and always restoring the button. Add success and failure acceptance checks.A focused async handler or pseudocode plus two checks covering button and error states.Verify the cleanup happens on rejection and success without converting a failed save into a success message.