Qwen: Qwen3.5-122B-A10B

Qwen3.5-122B-A10B är en textgenereringsmodell från Qwen, släppt av leverantören 2026-02-25. Den tillhör kategorin text och beskrivs av sin leverantör som en inbyggd syn-och-språkmodell byggd på en hybridarkitektur som kombinerar en linjär uppmärksamhetsmekanism med en gles mixture-of-experts-design, vilket leverantören uppger ger högre inferenseffektivitet. Namnet speglar den arkitekturen: 122B totala parametrar med 10B aktiva, så du anropar en stor modell som bara aktiverar en del av sig själv per token.

Modellen tar text, bild och video som indata och returnerar endast text. Dess kontextfönster är 262 144 tokens, och maximal utdata är 65 536 tokens. Eftersom indatamodaliteter inkluderar bilder och video tillsammans med text hanterar samma endpoint vanlig promptning, förståelse av dokument eller skärmbilder, och videobaserade frågor utan att byta till en separat synmodell. Resonemangsutdata är också en del av bilden: de stödda parametrarna inkluderar reasoning och include_reasoning, så du kan begära eller visa modellens resonemangsinnehåll där din applikation behöver det.

Dessa förmågor pekar mot en ganska bred uppsättning praktiska användningar. Lång kontext plus synindata passar för kodbas- och repositoryanalys där du klistrar in stora mängder källkod och ber om förklaringar eller ändringar, och det passar långa dokumentarbetsflöden som kontraktsgranskning, forskningssyntes eller rapportgenerering över många sidor. Video- och bildindata öppnar upp mediaarbetsflöden: beskriva filmmaterial, extrahera strukturerad data från bildrutor eller skärmbilder, och svara på frågor förankrade i visuellt material. Tool calling och strukturerade utdata gör den användbar som resonemangskärna i en agent eller en pipeline som måste returnera maskinläsbara resultat snarare än fri text.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "qwen/qwen3.5-122b-a10b". De stödda begärandeparametrarna är 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 och top_p. I praktiken täcker det samplingskontroll (temperature, top_p, top_k, min_p, straffparametrarna, seed), utdatakontroll (max_tokens, stop, response_format, structured_outputs), verktygsanvändning (tools, tool_choice), resonemangskontroll (reasoning, include_reasoning) och inspektion av token-sannolikheter (logprobs, top_logprobs, logit_bias).

Två praktiska begränsningar är värda att ha i åtanke när du bestämmer dig. Utdata är begränsad till 65 536 tokens även om kontextfönstret är 262 144 tokens, så uppgifter som kräver ett mycket långt enskilt svar kan behöva dela upp arbetet över flera anrop. Och modellen returnerar endast text, så om din pipeline behöver genererade bilder, ljud eller embeddings är den här modellen inte rätt komponent för det steget.