Qwen: Qwen3.5 Plus 2026-02-15

Qwen: Qwen3.5 Plus 2026-02-15 é um modelo de geração de texto da Qwen, lançado sob o id de modelo qwen/qwen3.5-plus-02-15. Ele pertence à série nativa de visão-linguagem Qwen3.5 de modelos Plus, que a Qwen descreve como construída sobre uma arquitetura híbrida que combina mecanismos de atenção linear com modelos de mistura esparsa de especialistas para alcançar maior eficiência de inferência. É um modelo de entrada multimodal na categoria de texto, portanto aceita mais do que texto enquanto produz texto como sua única saída.

No lado da entrada, o modelo aceita texto, imagens e vídeo, e retorna texto. Sua janela de contexto é de 1.000.000 de tokens, o que é grande o suficiente para conter documentos muito longos, conversas longas ou transcrições estendidas de mídia em uma única requisição. A saída máxima é de 65.536 tokens, então as respostas podem ser longas, mas são limitadas bem abaixo da capacidade de entrada. Como imagens e vídeo são aceitos como entrada, o modelo pode trabalhar sobre material visual diretamente em vez de depender de uma etapa separada de legendagem.

Essas capacidades apontam para alguns usos práticos. Trabalho de texto com contexto longo, como resumir grandes conjuntos de documentos, pesquisar em um grande corpus ou manter uma conversa longa de assistente, se encaixa na janela de 1.000.000 de tokens. Tarefas de mídia mista se encaixam nas modalidades de entrada: descrever ou extrair informações de imagens, revisar conteúdo de vídeo ou responder perguntas fundamentadas em material visual junto com texto. Os parâmetros de ferramentas e de saída estruturada também fazem dele uma escolha razoável para pipelines em que o modelo chama funções ou retorna resultados em formato JSON, e os parâmetros de raciocínio servem para tarefas em que você quer o raciocínio do modelo exposto ou controlado.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo qwen/qwen3.5-plus-02-15. Os parâmetros de requisição suportados são 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. Na prática, isso significa que você pode ajustar a amostragem com temperature, top_p e top_k, controlar repetição com os parâmetros de penalidade, limitar o comprimento com max_tokens, tornar execuções reproduzíveis com seed, restringir a saída com response_format e structured_outputs, e configurar chamadas de função com tools e tool_choice. Opções de probabilidade logarítmica estão disponíveis através de logprobs e top_logprobs, e o comportamento de raciocínio pode ser solicitado ou inspecionado via reasoning e include_reasoning.

Os principais limites a ter em mente são o teto de saída de 65.536 tokens e o fato de que o modelo produz apenas texto, então ele não pode gerar imagens ou vídeo. Se sua tarefa é puramente texto e não precisa do caminho de entrada de visão-linguagem, um modelo somente texto pode ser um encaixe mais simples, e se você precisa de mídia gerada em vez de texto, este modelo não é a escolha certa.