Qwen: Qwen3.5 Plus 2026-02-15

Qwen: Qwen3.5 Plus 2026-02-15 to model generowania tekstu od Qwen, wydany pod identyfikatorem modelu qwen/qwen3.5-plus-02-15. Należy do natywnej serii modeli wizyjno-jezykowych Qwen3.5 typu Plus, które Qwen opisuje jako zbudowane na hybrydowej architekturze łączącej mechanizmy uwagi liniowej z rzadkimi modelami mieszaniny ekspertów, aby osiągnąć wyższą wydajność wnioskowania. Jest to model z wejściem multimodalnym w kategorii tekstowej, więc przyjmuje więcej niż tekst, produkując tekst jako jedyne wyjście.

Po stronie wejścia model przyjmuje tekst, obrazy i wideo, a zwraca tekst. Jego okno kontekstu wynosi 1 000 000 tokenów, co jest wystarczająco duże, aby pomieścić bardzo długie dokumenty, długie rozmowy lub rozszerzone transkrypcje mediów w jednym żądaniu. Maksymalne wyjście to 65 536 tokenów, więc odpowiedzi mogą być długie, ale są ograniczone znacznie poniżej pojemności wejściowej. Ponieważ obrazy i wideo są przyjmowane jako wejście, model może pracować bezpośrednio na materiale wizualnym, zamiast polegać na osobnym etapie opisywania.

Te możliwości wskazują na kilka praktycznych zastosowań. Praca z długim kontekstem tekstowym, taka jak streszczanie dużych zbiorów dokumentów, przeszukiwanie dużego korpusu lub prowadzenie długiej rozmowy z asystentem, pasuje do okna 1 000 000 tokenów. Zadania związane z mediami mieszanymi pasują do modalności wejściowych: opisywanie lub wydobywanie informacji z obrazów, przeglądanie treści wideo lub odpowiadanie na pytania oparte na materiale wizualnym wraz z tekstem. Parametry narzędzi i wyjścia strukturalnego również czynią go rozsądnym wyborem dla potoków, w których model wywołuje funkcje lub zwraca wyniki w kształcie JSON, a parametry rozumowania pasują do zadań, w których chcesz, aby rozumowanie modelu było ujawnione lub kontrolowane.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu qwen/qwen3.5-plus-02-15. Obsługiwane parametry żądania to frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs i top_p. W praktyce oznacza to, że możesz dostroić próbkowanie za pomocą temperature, top_p i top_k, kontrolować powtórzenia za pomocą parametrów kary, ograniczyć długość za pomocą max_tokens, uczynić uruchomienia powtarzalnymi za pomocą seed, ograniczyć wyjście za pomocą response_format i structured_outputs oraz podłączyć wywoływanie funkcji za pomocą tools i tool_choice. Opcje prawdopodobieństwa logarytmicznego są dostępne przez logprobs i top_logprobs, a zachowanie rozumowania można zażądać lub sprawdzić przez reasoning i include_reasoning.

Główne ograniczenia, o których należy pamiętać, to pułap wyjścia wynoszący 65 536 tokenów oraz fakt, że model zwraca wyłącznie tekst, więc nie może generować obrazów ani wideo. Jeśli Twoje zadanie jest czysto tekstowe i nie potrzebuje ścieżki wejścia wizyjno-językowego, prostszym rozwiązaniem może być model wyłącznie tekstowy, a jeśli potrzebujesz generowanych mediów, a nie tekstu, ten model nie jest właściwym wyborem.