Qwen: Qwen3.5-122B-A10B

Qwen3.5-122B-A10B to model generowania tekstu od Qwen, udostępniony przez dostawcę 2026-02-25. Należy do kategorii tekstowych, a dostawca opisuje go jako natywny model wizyjno-językowy zbudowany na hybrydowej architekturze łączącej mechanizm liniowej uwagi z rzadkim projektem mieszaniny ekspertów, co według dostawcy zapewnia wyższą wydajność wnioskowania. Nazwa odzwierciedla tę architekturę: 122B parametrów łącznie przy 10B aktywnych, więc wywołujesz duży model, który aktywuje tylko część siebie na token.

Model przyjmuje tekst, obraz i wideo jako dane wejściowe i zwraca wyłącznie tekst. Jego okno kontekstowe wynosi 262 144 tokeny, a maksymalne wyjście to 65 536 tokenów. Ponieważ modalności wejściowe obejmują obrazy i wideo obok tekstu, ten sam punkt końcowy obsługuje zwykłe promptowanie, rozumienie dokumentów lub zrzutów ekranu oraz pytania oparte na wideo bez przełączania się na osobny model wizyjny. Wyjście rozumowania również wchodzi w grę: obsługiwane parametry obejmują reasoning i include_reasoning, więc możesz żądać treści rozumowania modelu lub je ujawniać tam, gdzie wymaga tego Twoja aplikacja.

Te możliwości wskazują na dość szeroki zestaw praktycznych zastosowań. Długi kontekst w połączeniu z wejściem wizyjnym pasuje do analizy kodu i repozytoriów, gdzie wklejasz duże ilości kodu źródłowego i prosisz o wyjaśnienia lub zmiany, a także do przepływów pracy z długimi dokumentami, takich jak przegląd umów, synteza badań czy generowanie raportów na wielu stronach. Wejście wideo i obrazów otwiera przepływy pracy z mediami: opisywanie materiału filmowego, wyodrębnianie ustrukturyzowanych danych z klatek lub zrzutów ekranu oraz odpowiadanie na pytania oparte na materiale wizualnym. Wywoływanie narzędzi i ustrukturyzowane wyjścia czynią go użytecznym jako rdzeń rozumowania agenta lub potoku, który musi zwracać wyniki czytelne maszynowo, a nie dowolny tekst.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "qwen/qwen3.5-122b-a10b". Obsługiwane parametry żądania to frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs i top_p. W praktyce obejmuje to kontrolę próbkowania (temperature, top_p, top_k, min_p, parametry kar, seed), kontrolę wyjścia (max_tokens, stop, response_format, structured_outputs), użycie narzędzi (tools, tool_choice), kontrolę rozumowania (reasoning, include_reasoning) oraz inspekcję prawdopodobieństw tokenów (logprobs, top_logprobs, logit_bias).

Dwa praktyczne ograniczenia warto mieć na uwadze przy podejmowaniu decyzji. Wyjście jest ograniczone do 65 536 tokenów, mimo że okno kontekstowe wynosi 262 144 tokeny, więc zadania wymagające bardzo długiej pojedynczej odpowiedzi mogą wymagać podzielenia pracy na kilka wywołań. A model zwraca wyłącznie tekst, więc jeśli Twój potok wymaga generowanych obrazów, dźwięku lub osadzeń, ten model nie jest właściwym komponentem dla tego kroku.