Điểm nổi bật của Qwen3.6 trong mô hình 27B kiến trúc dày đặc
Qwen3.6-27B là mô hình thị giác-ngôn ngữ kiến trúc dày đặc được phát triển từ Qwen3.5-27B. Nhà phát triển nhấn mạnh tác tử lập trình và suy luận STEM tốt hơn, cùng các cải tiến về hiểu không gian, định vị và phát hiện đối tượng, OCR tài liệu, hiểu video và tác tử thị giác. Mô hình nhận văn bản, hình ảnh và video, tạo ra văn bản. Phiên bản kiến trúc dày đặc cụ thể này khác với mô hình hỗn hợp chuyên gia Qwen3.6-35B-A3B, dù cùng thế hệ và trọng tâm nhiệm vụ.
Với sơ đồ STEM, hãy cung cấp đề bài đầy đủ, giữ nguyên nhãn và đơn vị. Yêu cầu mô hình tách dữ kiện nhìn thấy trực tiếp khỏi giả định, rồi trả về lời giải thích với câu trả lời cuối cùng rõ ràng. Với tài liệu, nêu các trường hoặc khẳng định cần trích xuất và yêu cầu tham chiếu trang làm căn cứ. Với tác tử lập trình, cung cấp các mô-đun liên quan, hành vi mong muốn và phản hồi thực tế từ quy trình được kết nối. Những ví dụ này áp dụng các khả năng được tài liệu mô tả; chúng không phải tuyên bố về trích xuất chính xác hoặc thực thi thành công.
Tổng quan mô hình
Mô hình có 27 tỷ tham số và 64 lớp mô hình ngôn ngữ. Bố cục lai lặp lại ba lớp Gated DeltaNet, tiếp theo là một lớp chú ý có cổng, dùng mạng truyền thẳng kiến trúc dày đặc thay vì chuyên gia thưa. Bộ mã hóa thị giác cung cấp khả năng hiểu hình ảnh và video, còn dự đoán nhiều token là một phần của quá trình huấn luyện. Những thông tin kiến trúc này xác định checkpoint mà không xếp hạng chất lượng hoặc thời gian phản hồi của mọi ứng dụng.
Ngữ cảnh gốc là 262,144 token và có thể mở rộng lên 1,010,000 qua cấu hình. Qwen khuyên giữ ngữ cảnh tối thiểu 128K khi có thể cho suy luận phức tạp, đồng thời thừa nhận áp lực bộ nhớ có thể đòi hỏi thiết lập nhỏ hơn. Biểu diễn hình ảnh và video, văn bản, tin nhắn trong lịch sử, nội dung suy nghĩ và câu trả lời đều chiếm không gian trong chuỗi đã cấu hình.
Đầu vào và các chế độ
Nhà phát triển minh họa câu hỏi văn bản, hình ảnh và video. Chế độ suy nghĩ được bật mặc định, với khối suy luận đứng trước phản hồi cuối cùng. enable_thinking có thể tắt hành vi đó để trả lời trực tiếp. Qwen3.6 không chính thức hỗ trợ các công tắc prompt /think và /nothink trước đây. Hãy làm cho kết quả cần thiết dễ nhận biết sau phần giải thích, chẳng hạn giá trị đã tính, bảng trường được trích xuất hoặc bản vá mã có thể chỉnh sửa.
Ví dụ video mặc định dùng hai khung hình mỗi giây trong quy trình được hỗ trợ. Với video dài hàng giờ, nhà phát triển khuyến nghị tăng hạn mức bộ xử lý để cho phép lấy mẫu ở tốc độ cao hơn, đưa ra ví dụ tương ứng khoảng 224K token video. Chi tiết thị giác nhiều hơn cần nhiều hạn mức ngữ cảnh và xử lý hơn. Những thiết lập đó không xác lập thời lượng video vô điều kiện hoặc độ chính xác tuyệt đối của dấu thời gian sự kiện cho mọi giao diện.
Nội dung suy nghĩ trong lịch sử
Mẫu mặc định giữ nội dung suy nghĩ gắn với tin nhắn mới nhất của người dùng. Tùy chọn preserve_thinking còn có thể giữ suy luận từ tin nhắn trong lịch sử; ví dụ cụ thể của nhà phát triển bật tùy chọn bằng true. Điều này có thể hỗ trợ phát triển lặp khi các quyết định trước vẫn liên quan sau phản hồi mới từ công cụ. Nó khác với hành vi lưu giữ mặc định được mô tả của Qwen3.8 và hướng dẫn lịch sử chỉ giữ câu trả lời cuối cùng của Qwen3.5. Hãy tuân theo định dạng chính xác của checkpoint thay vì âm thầm thay bằng quy tắc lịch sử của thế hệ khác.
Sử dụng tác tử
Qwen mô tả gọi công cụ và khuyến nghị Qwen-Agent với các công cụ được cấu hình hoặc kết nối qua MCP, cùng Qwen Code cho công việc tác tử lập trình. Hãy nêu các hành động được phép và tiêu chí hoàn thành có thể quan sát. Công cụ có thể kiểm tra tư liệu được cung cấp hoặc trả về kết quả kiểm tra thực tế, sau đó mô hình điều chỉnh phân tích. Mô hình không có quyền truy cập hệ thống tệp, nguồn hiện thời hay môi trường thực thi chỉ nhờ chuyên môn tác tử.
Đầu vào cực dài
Công thức mở rộng dùng YaRN với các thiết lập vị trí đan xen của mô hình này. Hệ số bốn hướng đến quy trình khoảng một triệu token; hệ số hai được gợi ý cho khối lượng 524,288 token. Việc co giãn tĩnh có thể làm giảm hiệu năng trên văn bản ngắn hơn, vì vậy cần dựa trên nhu cầu ngữ cảnh dài thực tế. Giữ nhãn cho trang, hàm và ranh giới tài liệu, rồi yêu cầu các kết luận chỉ rõ bằng chứng hỗ trợ.
Khuyến nghị sinh nội dung và giới hạn
Phần Best Practices trong thẻ mô hình khuyến nghị temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 và repetition penalty 1.0 cho suy nghĩ thông thường. Với lập trình chính xác, temperature chuyển thành 0.6. Với phản hồi trực tiếp, temperature là 0.7, top_p 0.8 và presence penalty 1.5, các giá trị khác giữ nguyên. Nhà phát triển cảnh báo mức phạt hiện diện lớn hơn có thể làm lẫn ngôn ngữ hoặc giảm nhẹ chất lượng.
Hạn mức sinh được khuyến nghị là 32,768 token cho phần lớn câu hỏi và 81,920 cho công việc toán hoặc lập trình đặc biệt khó. Đây không phải những mức trần cứng được xác lập riêng. Hãy xác định định dạng câu trả lời cuối cùng và đối chiếu văn bản trích xuất, kết luận không gian, phép tính và đề xuất mã với nguồn. Ngữ cảnh lớn và suy luận được giữ lại giúp mang theo bằng chứng trong nhiệm vụ; sản phẩm có thể xem xét vẫn là kết quả hữu ích.
", "aboutText": "Điểm nổi bật của Qwen3.6 trong mô hình 27B kiến trúc dày đặc\n\nQwen3.6-27B là mô hình thị giác-ngôn ngữ kiến trúc dày đặc được phát triển từ Qwen3.5-27B. Nhà phát triển nhấn mạnh tác tử lập trình và suy luận STEM tốt hơn, cùng các cải tiến về hiểu không gian, định vị và phát hiện đối tượng, OCR tài liệu, hiểu video và tác tử thị giác. Mô hình nhận văn bản, hình ảnh và video, tạo ra văn bản. Phiên bản kiến trúc dày đặc cụ thể này khác với mô hình hỗn hợp chuyên gia Qwen3.6-35B-A3B, dù cùng thế hệ và trọng tâm nhiệm vụ.\n\nVới sơ đồ STEM, hãy cung cấp đề bài đầy đủ, giữ nguyên nhãn và đơn vị. Yêu cầu mô hình tách dữ kiện nhìn thấy trực tiếp khỏi giả định, rồi trả về lời giải thích với câu trả lời cuối cùng rõ ràng. Với tài liệu, nêu các trường hoặc khẳng định cần trích xuất và yêu cầu tham chiếu trang làm căn cứ. Với tác tử lập trình, cung cấp các mô-đun liên quan, hành vi mong muốn và phản hồi thực tế từ quy trình được kết nối. Những ví dụ này áp dụng các khả năng được tài liệu mô tả; chúng không phải tuyên bố về trích xuất chính xác hoặc thực thi thành công.\n\nTổng quan mô hình\n\nMô hình có 27 tỷ tham số và 64 lớp mô hình ngôn ngữ. Bố cục lai lặp lại ba lớp Gated DeltaNet, tiếp theo là một lớp chú ý có cổng, dùng mạng truyền thẳng kiến trúc dày đặc thay vì chuyên gia thưa. Bộ mã hóa thị giác cung cấp khả năng hiểu hình ảnh và video, còn dự đoán nhiều token là một phần của quá trình huấn luyện. Những thông tin kiến trúc này xác định checkpoint mà không xếp hạng chất lượng hoặc thời gian phản hồi của mọi ứng dụng.\n\nNgữ cảnh gốc là 262,144 token và có thể mở rộng lên 1,010,000 qua cấu hình. Qwen khuyên giữ ngữ cảnh tối thiểu 128K khi có thể cho suy luận phức tạp, đồng thời thừa nhận áp lực bộ nhớ có thể đòi hỏi thiết lập nhỏ hơn. Biểu diễn hình ảnh và video, văn bản, tin nhắn trong lịch sử, nội dung suy nghĩ và câu trả lời đều chiếm không gian trong chuỗi đã cấu hình.\n\nĐầu vào và các chế độ\n\nNhà phát triển minh họa câu hỏi văn bản, hình ảnh và video. Chế độ suy nghĩ được bật mặc định, với khối suy luận đứng trước phản hồi cuối cùng. enable_thinking có thể tắt hành vi đó để trả lời trực tiếp. Qwen3.6 không chính thức hỗ trợ các công tắc prompt /think và /nothink trước đây. Hãy làm cho kết quả cần thiết dễ nhận biết sau phần giải thích, chẳng hạn giá trị đã tính, bảng trường được trích xuất hoặc bản vá mã có thể chỉnh sửa.\n\nVí dụ video mặc định dùng hai khung hình mỗi giây trong quy trình được hỗ trợ. Với video dài hàng giờ, nhà phát triển khuyến nghị tăng hạn mức bộ xử lý để cho phép lấy mẫu ở tốc độ cao hơn, đưa ra ví dụ tương ứng khoảng 224K token video. Chi tiết thị giác nhiều hơn cần nhiều hạn mức ngữ cảnh và xử lý hơn. Những thiết lập đó không xác lập thời lượng video vô điều kiện hoặc độ chính xác tuyệt đối của dấu thời gian sự kiện cho mọi giao diện.\n\nNội dung suy nghĩ trong lịch sử\n\nMẫu mặc định giữ nội dung suy nghĩ gắn với tin nhắn mới nhất của người dùng. Tùy chọn preserve_thinking còn có thể giữ suy luận từ tin nhắn trong lịch sử; ví dụ cụ thể của nhà phát triển bật tùy chọn bằng true. Điều này có thể hỗ trợ phát triển lặp khi các quyết định trước vẫn liên quan sau phản hồi mới từ công cụ. Nó khác với hành vi lưu giữ mặc định được mô tả của Qwen3.8 và hướng dẫn lịch sử chỉ giữ câu trả lời cuối cùng của Qwen3.5. Hãy tuân theo định dạng chính xác của checkpoint thay vì âm thầm thay bằng quy tắc lịch sử của thế hệ khác.\n\nSử dụng tác tử\n\nQwen mô tả gọi công cụ và khuyến nghị Qwen-Agent với các công cụ được cấu hình hoặc kết nối qua MCP, cùng Qwen Code cho công việc tác tử lập trình. Hãy nêu các hành động được phép và tiêu chí hoàn thành có thể quan sát. Công cụ có thể kiểm tra tư liệu được cung cấp hoặc trả về kết quả kiểm tra thực tế, sau đó mô hình điều chỉnh phân tích. Mô hình không có quyền truy cập hệ thống tệp, nguồn hiện thời hay môi trường thực thi chỉ nhờ chuyên môn tác tử.\n\nĐầu vào cực dài\n\nCông thức mở rộng dùng YaRN với các thiết lập vị trí đan xen của mô hình này. Hệ số bốn hướng đến quy trình khoảng một triệu token; hệ số hai được gợi ý cho khối lượng 524,288 token. Việc co giãn tĩnh có thể làm giảm hiệu năng trên văn bản ngắn hơn, vì vậy cần dựa trên nhu cầu ngữ cảnh dài thực tế. Giữ nhãn cho trang, hàm và ranh giới tài liệu, rồi yêu cầu các kết luận chỉ rõ bằng chứng hỗ trợ.\n\nKhuyến nghị sinh nội dung và giới hạn\n\nPhần Best Practices trong thẻ mô hình khuyến nghị temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 và repetition penalty 1.0 cho suy nghĩ thông thường. Với lập trình chính xác, temperature chuyển thành 0.6. Với phản hồi trực tiếp, temperature là 0.7, top_p 0.8 và presence penalty 1.5, các giá trị khác giữ nguyên. Nhà phát triển cảnh báo mức phạt hiện diện lớn hơn có thể làm lẫn ngôn ngữ hoặc giảm nhẹ chất lượng.\n\nHạn mức sinh được khuyến nghị là 32,768 token cho phần lớn câu hỏi và 81,920 cho công việc toán hoặc lập trình đặc biệt khó. Đây không phải những mức trần cứng được xác lập riêng. Hãy xác định định dạng câu trả lời cuối cùng và đối chiếu văn bản trích xuất, kết luận không gian, phép tính và đề xuất mã với nguồn. Ngữ cảnh lớn và suy luận được giữ lại giúp mang theo bằng chứng trong nhiệm vụ; sản phẩm có thể xem xét vẫn là kết quả hữu ích.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
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 là mô hình thị giác-ngôn ngữ kiến trúc dày đặc của Qwen dành cho lập trình, suy luận STEM và phân tích thị giác. Mô hình nhận văn bản, hình ảnh và video, trả về văn bản, với chế độ suy nghĩ có thể lựa chọn, tùy chọn giữ suy luận trong lịch sử và ngữ cảnh gốc 262,144 token.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Điểm nổi bật của Qwen3.6 trong mô hình 27B kiến trúc dày đặc
Qwen3.6-27B là mô hình thị giác-ngôn ngữ kiến trúc dày đặc được phát triển từ Qwen3.5-27B. Nhà phát triển nhấn mạnh tác tử lập trình và suy luận STEM tốt hơn, cùng các cải tiến về hiểu không gian, định vị và phát hiện đối tượng, OCR tài liệu, hiểu video và tác tử thị giác. Mô hình nhận văn bản, hình ảnh và video, tạo ra văn bản. Phiên bản kiến trúc dày đặc cụ thể này khác với mô hình hỗn hợp chuyên gia Qwen3.6-35B-A3B, dù cùng thế hệ và trọng tâm nhiệm vụ.
Với sơ đồ STEM, hãy cung cấp đề bài đầy đủ, giữ nguyên nhãn và đơn vị. Yêu cầu mô hình tách dữ kiện nhìn thấy trực tiếp khỏi giả định, rồi trả về lời giải thích với câu trả lời cuối cùng rõ ràng. Với tài liệu, nêu các trường hoặc khẳng định cần trích xuất và yêu cầu tham chiếu trang làm căn cứ. Với tác tử lập trình, cung cấp các mô-đun liên quan, hành vi mong muốn và phản hồi thực tế từ quy trình được kết nối. Những ví dụ này áp dụng các khả năng được tài liệu mô tả; chúng không phải tuyên bố về trích xuất chính xác hoặc thực thi thành công.
Tổng quan mô hình
Mô hình có 27 tỷ tham số và 64 lớp mô hình ngôn ngữ. Bố cục lai lặp lại ba lớp Gated DeltaNet, tiếp theo là một lớp chú ý có cổng, dùng mạng truyền thẳng kiến trúc dày đặc thay vì chuyên gia thưa. Bộ mã hóa thị giác cung cấp khả năng hiểu hình ảnh và video, còn dự đoán nhiều token là một phần của quá trình huấn luyện. Những thông tin kiến trúc này xác định checkpoint mà không xếp hạng chất lượng hoặc thời gian phản hồi của mọi ứng dụng.
Ngữ cảnh gốc là 262,144 token và có thể mở rộng lên 1,010,000 qua cấu hình. Qwen khuyên giữ ngữ cảnh tối thiểu 128K khi có thể cho suy luận phức tạp, đồng thời thừa nhận áp lực bộ nhớ có thể đòi hỏi thiết lập nhỏ hơn. Biểu diễn hình ảnh và video, văn bản, tin nhắn trong lịch sử, nội dung suy nghĩ và câu trả lời đều chiếm không gian trong chuỗi đã cấu hình.
Đầu vào và các chế độ
Nhà phát triển minh họa câu hỏi văn bản, hình ảnh và video. Chế độ suy nghĩ được bật mặc định, với khối suy luận đứng trước phản hồi cuối cùng. enable_thinking có thể tắt hành vi đó để trả lời trực tiếp. Qwen3.6 không chính thức hỗ trợ các công tắc prompt /think và /nothink trước đây. Hãy làm cho kết quả cần thiết dễ nhận biết sau phần giải thích, chẳng hạn giá trị đã tính, bảng trường được trích xuất hoặc bản vá mã có thể chỉnh sửa.
Ví dụ video mặc định dùng hai khung hình mỗi giây trong quy trình được hỗ trợ. Với video dài hàng giờ, nhà phát triển khuyến nghị tăng hạn mức bộ xử lý để cho phép lấy mẫu ở tốc độ cao hơn, đưa ra ví dụ tương ứng khoảng 224K token video. Chi tiết thị giác nhiều hơn cần nhiều hạn mức ngữ cảnh và xử lý hơn. Những thiết lập đó không xác lập thời lượng video vô điều kiện hoặc độ chính xác tuyệt đối của dấu thời gian sự kiện cho mọi giao diện.
Nội dung suy nghĩ trong lịch sử
Mẫu mặc định giữ nội dung suy nghĩ gắn với tin nhắn mới nhất của người dùng. Tùy chọn preserve_thinking còn có thể giữ suy luận từ tin nhắn trong lịch sử; ví dụ cụ thể của nhà phát triển bật tùy chọn bằng true. Điều này có thể hỗ trợ phát triển lặp khi các quyết định trước vẫn liên quan sau phản hồi mới từ công cụ. Nó khác với hành vi lưu giữ mặc định được mô tả của Qwen3.8 và hướng dẫn lịch sử chỉ giữ câu trả lời cuối cùng của Qwen3.5. Hãy tuân theo định dạng chính xác của checkpoint thay vì âm thầm thay bằng quy tắc lịch sử của thế hệ khác.
Sử dụng tác tử
Qwen mô tả gọi công cụ và khuyến nghị Qwen-Agent với các công cụ được cấu hình hoặc kết nối qua MCP, cùng Qwen Code cho công việc tác tử lập trình. Hãy nêu các hành động được phép và tiêu chí hoàn thành có thể quan sát. Công cụ có thể kiểm tra tư liệu được cung cấp hoặc trả về kết quả kiểm tra thực tế, sau đó mô hình điều chỉnh phân tích. Mô hình không có quyền truy cập hệ thống tệp, nguồn hiện thời hay môi trường thực thi chỉ nhờ chuyên môn tác tử.
Đầu vào cực dài
Công thức mở rộng dùng YaRN với các thiết lập vị trí đan xen của mô hình này. Hệ số bốn hướng đến quy trình khoảng một triệu token; hệ số hai được gợi ý cho khối lượng 524,288 token. Việc co giãn tĩnh có thể làm giảm hiệu năng trên văn bản ngắn hơn, vì vậy cần dựa trên nhu cầu ngữ cảnh dài thực tế. Giữ nhãn cho trang, hàm và ranh giới tài liệu, rồi yêu cầu các kết luận chỉ rõ bằng chứng hỗ trợ.
Khuyến nghị sinh nội dung và giới hạn
Phần Best Practices trong thẻ mô hình khuyến nghị temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 và repetition penalty 1.0 cho suy nghĩ thông thường. Với lập trình chính xác, temperature chuyển thành 0.6. Với phản hồi trực tiếp, temperature là 0.7, top_p 0.8 và presence penalty 1.5, các giá trị khác giữ nguyên. Nhà phát triển cảnh báo mức phạt hiện diện lớn hơn có thể làm lẫn ngôn ngữ hoặc giảm nhẹ chất lượng.
Hạn mức sinh được khuyến nghị là 32,768 token cho phần lớn câu hỏi và 81,920 cho công việc toán hoặc lập trình đặc biệt khó. Đây không phải những mức trần cứng được xác lập riêng. Hãy xác định định dạng câu trả lời cuối cùng và đối chiếu văn bản trích xuất, kết luận không gian, phép tính và đề xuất mã với nguồn. Ngữ cảnh lớn và suy luận được giữ lại giúp mang theo bằng chứng trong nhiệm vụ; sản phẩm có thể xem xét vẫn là kết quả hữu ích.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen/qwen3.6-27b | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Token ngữ cảnh, lớn hơn | Token ngữ cảnh, tối đa và bao gồm | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Token ngữ cảnh, lớn hơn— | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0009 / 1K token Đầu ra · Token đầu ra $0.0054 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhBậc 1 theo độ dài yêu cầu | Biểu mức phí— | Token ngữ cảnh, lớn hơn0 | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0009 / 1K token Đầu ra · Token đầu ra $0.0054 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${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 hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra qwen/qwen3.6-27b
Dùng các đường dẫn phương thức hiển thị ở trên.
qwen/qwen3.6-27bQwen3.6-27B là mô hình thị giác-ngôn ngữ kiến trúc dày đặc của Qwen dành cho lập trình, suy luận STEM và phân tích thị giác. Mô hình nhận văn bản, hình ảnh và video, trả về văn bản, với chế độ suy nghĩ có thể lựa chọn, tùy chọn giữ suy luận trong lịch sử và ngữ cảnh gốc 262,144 token.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Điểm nổi bật của Qwen3.6 trong mô hình 27B kiến trúc dày đặc
Qwen3.6-27B là mô hình thị giác-ngôn ngữ kiến trúc dày đặc được phát triển từ Qwen3.5-27B. Nhà phát triển nhấn mạnh tác tử lập trình và suy luận STEM tốt hơn, cùng các cải tiến về hiểu không gian, định vị và phát hiện đối tượng, OCR tài liệu, hiểu video và tác tử thị giác. Mô hình nhận văn bản, hình ảnh và video, tạo ra văn bản. Phiên bản kiến trúc dày đặc cụ thể này khác với mô hình hỗn hợp chuyên gia Qwen3.6-35B-A3B, dù cùng thế hệ và trọng tâm nhiệm vụ.
Với sơ đồ STEM, hãy cung cấp đề bài đầy đủ, giữ nguyên nhãn và đơn vị. Yêu cầu mô hình tách dữ kiện nhìn thấy trực tiếp khỏi giả định, rồi trả về lời giải thích với câu trả lời cuối cùng rõ ràng. Với tài liệu, nêu các trường hoặc khẳng định cần trích xuất và yêu cầu tham chiếu trang làm căn cứ. Với tác tử lập trình, cung cấp các mô-đun liên quan, hành vi mong muốn và phản hồi thực tế từ quy trình được kết nối. Những ví dụ này áp dụng các khả năng được tài liệu mô tả; chúng không phải tuyên bố về trích xuất chính xác hoặc thực thi thành công.
Tổng quan mô hình
Mô hình có 27 tỷ tham số và 64 lớp mô hình ngôn ngữ. Bố cục lai lặp lại ba lớp Gated DeltaNet, tiếp theo là một lớp chú ý có cổng, dùng mạng truyền thẳng kiến trúc dày đặc thay vì chuyên gia thưa. Bộ mã hóa thị giác cung cấp khả năng hiểu hình ảnh và video, còn dự đoán nhiều token là một phần của quá trình huấn luyện. Những thông tin kiến trúc này xác định checkpoint mà không xếp hạng chất lượng hoặc thời gian phản hồi của mọi ứng dụng.
Ngữ cảnh gốc là 262,144 token và có thể mở rộng lên 1,010,000 qua cấu hình. Qwen khuyên giữ ngữ cảnh tối thiểu 128K khi có thể cho suy luận phức tạp, đồng thời thừa nhận áp lực bộ nhớ có thể đòi hỏi thiết lập nhỏ hơn. Biểu diễn hình ảnh và video, văn bản, tin nhắn trong lịch sử, nội dung suy nghĩ và câu trả lời đều chiếm không gian trong chuỗi đã cấu hình.
Đầu vào và các chế độ
Nhà phát triển minh họa câu hỏi văn bản, hình ảnh và video. Chế độ suy nghĩ được bật mặc định, với khối suy luận đứng trước phản hồi cuối cùng. enable_thinking có thể tắt hành vi đó để trả lời trực tiếp. Qwen3.6 không chính thức hỗ trợ các công tắc prompt /think và /nothink trước đây. Hãy làm cho kết quả cần thiết dễ nhận biết sau phần giải thích, chẳng hạn giá trị đã tính, bảng trường được trích xuất hoặc bản vá mã có thể chỉnh sửa.
Ví dụ video mặc định dùng hai khung hình mỗi giây trong quy trình được hỗ trợ. Với video dài hàng giờ, nhà phát triển khuyến nghị tăng hạn mức bộ xử lý để cho phép lấy mẫu ở tốc độ cao hơn, đưa ra ví dụ tương ứng khoảng 224K token video. Chi tiết thị giác nhiều hơn cần nhiều hạn mức ngữ cảnh và xử lý hơn. Những thiết lập đó không xác lập thời lượng video vô điều kiện hoặc độ chính xác tuyệt đối của dấu thời gian sự kiện cho mọi giao diện.
Nội dung suy nghĩ trong lịch sử
Mẫu mặc định giữ nội dung suy nghĩ gắn với tin nhắn mới nhất của người dùng. Tùy chọn preserve_thinking còn có thể giữ suy luận từ tin nhắn trong lịch sử; ví dụ cụ thể của nhà phát triển bật tùy chọn bằng true. Điều này có thể hỗ trợ phát triển lặp khi các quyết định trước vẫn liên quan sau phản hồi mới từ công cụ. Nó khác với hành vi lưu giữ mặc định được mô tả của Qwen3.8 và hướng dẫn lịch sử chỉ giữ câu trả lời cuối cùng của Qwen3.5. Hãy tuân theo định dạng chính xác của checkpoint thay vì âm thầm thay bằng quy tắc lịch sử của thế hệ khác.
Sử dụng tác tử
Qwen mô tả gọi công cụ và khuyến nghị Qwen-Agent với các công cụ được cấu hình hoặc kết nối qua MCP, cùng Qwen Code cho công việc tác tử lập trình. Hãy nêu các hành động được phép và tiêu chí hoàn thành có thể quan sát. Công cụ có thể kiểm tra tư liệu được cung cấp hoặc trả về kết quả kiểm tra thực tế, sau đó mô hình điều chỉnh phân tích. Mô hình không có quyền truy cập hệ thống tệp, nguồn hiện thời hay môi trường thực thi chỉ nhờ chuyên môn tác tử.
Đầu vào cực dài
Công thức mở rộng dùng YaRN với các thiết lập vị trí đan xen của mô hình này. Hệ số bốn hướng đến quy trình khoảng một triệu token; hệ số hai được gợi ý cho khối lượng 524,288 token. Việc co giãn tĩnh có thể làm giảm hiệu năng trên văn bản ngắn hơn, vì vậy cần dựa trên nhu cầu ngữ cảnh dài thực tế. Giữ nhãn cho trang, hàm và ranh giới tài liệu, rồi yêu cầu các kết luận chỉ rõ bằng chứng hỗ trợ.
Khuyến nghị sinh nội dung và giới hạn
Phần Best Practices trong thẻ mô hình khuyến nghị temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 và repetition penalty 1.0 cho suy nghĩ thông thường. Với lập trình chính xác, temperature chuyển thành 0.6. Với phản hồi trực tiếp, temperature là 0.7, top_p 0.8 và presence penalty 1.5, các giá trị khác giữ nguyên. Nhà phát triển cảnh báo mức phạt hiện diện lớn hơn có thể làm lẫn ngôn ngữ hoặc giảm nhẹ chất lượng.
Hạn mức sinh được khuyến nghị là 32,768 token cho phần lớn câu hỏi và 81,920 cho công việc toán hoặc lập trình đặc biệt khó. Đây không phải những mức trần cứng được xác lập riêng. Hãy xác định định dạng câu trả lời cuối cùng và đối chiếu văn bản trích xuất, kết luận không gian, phép tính và đề xuất mã với nguồn. Ngữ cảnh lớn và suy luận được giữ lại giúp mang theo bằng chứng trong nhiệm vụ; sản phẩm có thể xem xét vẫn là kết quả hữu ích.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen/qwen3.6-27b | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Token ngữ cảnh, lớn hơn | Token ngữ cảnh, tối đa và bao gồm | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Token ngữ cảnh, lớn hơn— | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0009 / 1K token Đầu ra · Token đầu ra $0.0054 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhBậc 1 theo độ dài yêu cầu | Biểu mức phí— | Token ngữ cảnh, lớn hơn0 | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0009 / 1K token Đầu ra · Token đầu ra $0.0054 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen/qwen3.6-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra qwen/qwen3.6-27b
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
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.