Qwen: Qwen3.5 Plus 2026-02-15

Qwen: Qwen3.5 Plus 2026-02-15 è un modello di generazione di testo di Qwen, rilasciato con l'id modello qwen/qwen3.5-plus-02-15. Appartiene alla serie nativa vision-linguaggio Qwen3.5 di modelli Plus, che Qwen descrive come basati su un'architettura ibrida che combina meccanismi di attenzione lineare con modelli sparse mixture-of-experts per ottenere una maggiore efficienza di inferenza. È un modello con input multimodale nella categoria testo, quindi accetta più che solo testo pur producendo testo come unico output.

Sul lato input, il modello accetta testo, immagini e video, e restituisce testo. La sua finestra di contesto è di 1.000.000 di token, abbastanza ampia da contenere documenti molto lunghi, conversazioni lunghe o trascrizioni multimediali estese in un'unica richiesta. L'output massimo è di 65.536 token, quindi le risposte possono essere lunghe, ma sono limitate ben al di sotto della capacità di input. Poiché immagini e video sono accettati come input, il modello può lavorare direttamente su materiale visivo invece di affidarsi a un passaggio separato di didascalia.

Queste capacità indicano alcuni usi pratici. Il lavoro su testo a contesto lungo, come riassumere grandi insiemi di documenti, cercare all'interno di un grande corpus o mantenere una conversazione assistente di lunga durata, si adatta alla finestra di 1.000.000 di token. Le attività su media misti si adattano alle modalità di input: descrivere o estrarre informazioni da immagini, rivedere contenuti video o rispondere a domande basate su materiale visivo insieme al testo. I parametri per tool e output strutturato rendono inoltre il modello una scelta ragionevole per pipeline in cui il modello chiama funzioni o restituisce risultati in formato JSON, e i parametri di reasoning sono adatti a compiti in cui si vuole che il reasoning del modello sia esposto o controllato.

Lo si chiama tramite l'API compatibile con OpenAI di api14 usando l'id modello qwen/qwen3.5-plus-02-15. I parametri di richiesta supportati sono frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs e top_p. In pratica questo significa che puoi regolare il campionamento con temperature, top_p e top_k, controllare la ripetizione con i parametri di penalità, limitare la lunghezza con max_tokens, rendere le esecuzioni riproducibili con seed, vincolare l'output con response_format e structured_outputs, e configurare il function calling con tools e tool_choice. Le opzioni di probabilità logaritmica sono disponibili tramite logprobs e top_logprobs, e il comportamento di reasoning può essere richiesto o ispezionato tramite reasoning e include_reasoning.

I limiti principali da tenere a mente sono il tetto di output di 65.536 token e il fatto che il modello produce solo testo, quindi non può generare immagini o video. Se il tuo compito è puramente testuale e non richiede il percorso di input vision-linguaggio, un modello solo testo potrebbe essere più adatto, e se hai bisogno di media generati anziché testo, questo modello non è la scelta giusta.