Qwen3.5 Flash Snapshot 2026-02-23 — eingefrorene Version von qwen3.5-flash, gleiche Fähigkeiten.
qwen/qwen3.5-flash-2026-02-23 ist eine spezifische Version des Qwen3.5 Flash Modells aus der Qwen-Familie von Alibaba. Es ist ein multimodales Modell, das Text-, Bild- und Videoeingaben unterstützt.…
Dieses Modell kann eine Vielzahl von textbasierten Aufgaben ausführen, die typisch für große Sprachmodelle sind: Zusammenfassung, Übersetzung, Fragenbeantwortung, kreatives Schreiben, Codegenerierung und mehr. Sein großes Kontextfenster macht es besonders geeignet für Aufgaben, die das Verständnis langer Dokumente oder die Aufrechterhaltung eines Dialogs über viele Runden hinweg erfordern. Das Modell ist auch für Few-Shot- und Zero-Shot-Learning geeignet, d. h. es kann Anweisungen befolgen, ohne umfangreiches Feintuning. Es werden jedoch keine spezifischen Genauigkeitsmetriken für diese Aufgaben bereitgestellt. Für Aufgaben, die präzises mathematisches Denken oder Faktenabruf erfordern, müssen Sie das Modell möglicherweise anhand Ihrer eigenen Benchmarks evaluieren.
Das Modell akzeptiert Bildeingaben als Teil der Eingabeaufforderung. Es kann Bilder beschreiben, Fragen zu visuellen Inhalten beantworten und Text oder Objekte aus Bildern extrahieren. Das Bild wird als eine Sequenz von Tokens dargestellt, die einen Teil des Kontextfensters verbrauchen. Die maximale Bildgröße oder Anzahl von Bildern pro Anfrage ist nicht festgelegt; in der Praxis verbrauchen hochauflösende Bilder mehr Tokens. Für beste Ergebnisse sollten Sie klare, gut beleuchtete Bilder bereitstellen. Das Modell unterstützt keine Bildgenerierung oder -ausgabe. Es werden keine Informationen darüber gegeben, ob es mehrere Bildsequenzen oder verschränkten Text und Bilder über das typische multimodale Format hinaus verarbeitet.
Videoeingabe wird unterstützt, wahrscheinlich durch Sampling von Einzelbildern und deren Tokenisierung. Das Modell kann kurze Videoclips für Zusammenfassung, Handlungserkennung oder Fragebeantwortung analysieren. Jedes Einzelbild verbraucht Token aus dem Kontextfenster, daher ist die Videolänge durch den verfügbaren Kontext begrenzt. Es werden keine spezifischen Details zu Einzelbild-Samplingraten oder maximaler Videodauer angegeben. Für den Produktionseinsatz sollte eine Vorverarbeitung der Videos zur Extraktion von Schlüsselbildern in Betracht gezogen werden. Das Modell generiert keine Videoausgabe. Falls Ihre Anwendung eine Echtzeit-Videoverarbeitung erfordert, testen Sie die Latenz sorgfältig, da die Videotokenisierung rechenintensiv sein kann.
Dieses Modell kostet $0,10 pro 1 Mio. Input-Tokens und $0,40 pro 1 Mio. Output-Tokens. Wenn Ihre Anwendung bei einfacheren Aufgaben eine geringere Genauigkeit tolerieren kann, sind kleinere Modelle (z. B. Qwen2.5-0.5B) möglicherweise noch günstiger. Wenn Sie für komplexe Schlussfolgerungen oder kreatives Schreiben eine höhere Qualität benötigen, sollten Sie ein größeres Modell wie Qwen3.5-Plus (falls verfügbar) oder GPT-4o in Betracht ziehen, das zwar höhere Kosten pro Token, aber eine bessere Benchmark-Leistung bietet. Die Flash-Variante ist ideal für Anwendungen mit hohem Volumen, bei denen Geschwindigkeit und Kosten im Vordergrund stehen. Auf dieser Seite ist für dieses Modell kein Angebot für Feintuning oder Anpassungen dokumentiert.
Die Hauptstärken dieses Modells sind sein großer Kontextfenster (1.048.576 Token), die Unterstützung für multimodale Eingaben (Text, Bild, Video) und die niedrigen Preise pro Token (0,10 $/0,40 $ pro 1 Million Token). Es ist auf Geschwindigkeit und Effizienz ausgelegt und eignet sich daher für Echtzeitanwendungen. Die Bezeichnung „flash“ deutet darauf hin, dass es im Vergleich zu größeren Gegenstücken für eine geringere Latenz optimiert wurde. Auf dieser Seite werden keine Benchmark-Ergebnisse bereitgestellt, sodass die genaue Leistung bei standardmäßigen NLP- oder Bildanalyseaufgaben nicht bekannt ist. Basierend auf typischen Flash-Modellen opfert es wahrscheinlich etwas Genauigkeit zugunsten von Durchsatz und Kosten.
Ehrliche Einschränkungen umfassen das Fehlen bereitgestellter Benchmark-Daten; ohne diese müssen Benutzer die Leistung des Modells an ihren eigenen Aufgaben validieren. Das Modell ist eine Flash-Variante, daher kann es möglicherweise nicht die Genauigkeit größerer oder allgemeiner Modelle bei komplexem Denken, Mathematik oder Faktenabruf erreichen. Die Videounterstützung kann durch den Kontext und die Effizienz der Bildauswahl eingeschränkt sein. Da keine spezifischen Geschwindigkeits- oder Latenzzahlen angegeben sind, hängt der tatsächliche Durchsatz von der Infrastruktur von OrcaRouter ab. Das Modell unterstützt kein Feintuning oder benutzerdefinierte Einbettungs-Endpoints über diese API. Zusätzlich ist das Wissensgrenzdatum des Modells nicht angegeben; es ist möglicherweise nicht mit den neuesten Ereignissen aktualisiert.
Latenz ist für dieses Modell auf dieser Seite nicht angegeben. Als Flash-Variante wird erwartet, dass es eine schnellere Inferenz als größere Modelle bietet, aber die tatsächliche Geschwindigkeit hängt von Faktoren wie Eingabelänge, der von OrcaRouter verwendeten Hardware und der gleichzeitigen Anfragelast ab. Für Echtzeitanwendungen testen Sie mit repräsentativen Nutzlasten. Der API-Endpunkt von OrcaRouter wird auf skalierbarer Infrastruktur gehostet, es werden jedoch keine Garantien hinsichtlich der Latenz gegeben. Benutzer sollten mit ihren eigenen Arbeitslasten benchmarken. Das große Kontextfenster kann die Zeit bis zum ersten Token erhöhen, wenn der gesamte Kontext verarbeitet werden muss. Das Anfordern nur des notwendigen Kontexts kann die Antwortzeit verbessern.
Auf dieser Seite werden keine offiziellen Benchmark-Daten für qwen/qwen3.5-flash-2026-02-23 bereitgestellt. Um das Modell zu bewerten, konsultieren Sie die Qwen-Modellkarte auf Hugging Face oder das Qwen GitHub-Repository für die typische Leistung von Qwen3.5 Flash. Häufige Bewertungsdimensionen umfassen MMLU, HumanEval und visuelle QA-Benchmarks, jedoch können die Ergebnisse für diesen spezifischen Snapshot variieren. OrcaRouter veröffentlicht keine eigenen Benchmarks für dieses Modell. Benutzer werden ermutigt, eigene Evaluierungen durchzuführen, um die Eignung für ihren spezifischen Anwendungsfall zu bestimmen, insbesondere hinsichtlich Sicherheit, Verzerrungen oder domänenspezifischer Genauigkeit.
Die Preisgestaltung beträgt $0.10 pro 1 Million Input-Tokens und $0.40 pro 1 Million Output-Tokens. Dies sind Anbieterpreise ohne Aufschlag von OrcaRouter. Input-Tokens umfassen Text-, Bild- und Videoframes. Output-Tokens zählen nur generierten Text. Es gibt keine Gebühr pro Anfrage und es sind keine Sonderpreise für Bulk- oder reservierte Kapazität dokumentiert. Kosten fallen für die Summe der in jedem API-Aufruf verwendeten Input- und Output-Tokens an. Für eine typische 1,000-Token-Eingabe und 500-Token-Ausgabe betragen die Kosten etwa $0.0003. Da es keinen Aufschlag gibt, entsprechen die Kosten genau dem, was Qwen berechnet.
OrcaRouter berechnet dieses Modell zum Anbieterpreis ohne Aufschlag. Das bedeutet, dass Sie genau 0,10 $ pro 1 Million Eingabe-Token und 0,40 $ pro 1 Million Ausgabe-Token zahlen, ohne zusätzliche Servicegebühr. Es gibt keine versteckten Kosten für API-Anfragen, Authentifizierung oder Datenübertragung im Rahmen der Token-Preisgestaltung. Allerdings können je nach Ihrer Infrastruktur standardmäßige Netzwerkkosten anfallen. Es wird keine kostenlose Stufe erwähnt. Diese transparente Preisgestaltung macht es einfach, Kosten zu berechnen und mit Modellen anderer Anbieter zu vergleichen, die möglicherweise Aufschläge erheben. Der Tarif kann vom Anbieter geändert werden; besuchen Sie die OrcaRouter-Preisseite für Aktualisierungen.
Keine Rabatte für Zwischenspeicherung oder Volumenpreise sind für dieses Modell auf dieser Seite dokumentiert. Jeder Token wird individuell pro API-Aufruf abgerechnet. Es gibt keine Erwähnung von Prompt-Zwischenspeicherung, rabattierter Stapelverarbeitung oder zugesicherten Nutzungsrabatten. Wenn Sie ein hohes Volumen erwarten, kontaktieren Sie OrcaRouter für mögliche individuelle Vereinbarungen, jedoch wird keine Garantie gegeben. Die Preisstruktur ist unkompliziert: Eingabe-Token zu 0,10 $/M, Ausgabe-Token zu 0,40 $/M, keine kostenlose Stufe. Im Gegensatz zu einigen Anbietern, die niedrigere Preise für zwischengespeicherte Prompts anbieten, wirbt dieses Modell derzeit nicht mit einer solchen Funktion.
Bei $0.10/$0.40 pro Million Tokens ist dieses Modell wettbewerbsfähig mit vielen Open-Weight-Flash-Modellen. Beispielsweise sind einige Llama 3.1 8B-Varianten ähnlich bepreist. Größere Modelle wie GPT-4o mini haben oft höhere Kosten pro Token. Der entscheidende Unterschied ist der Nullaufschlag von OrcaRouter, sodass Sie genau den Anbieterpreis zahlen. Beim Vergleich sollten Sie auch die Kontextfenstergröße berücksichtigen: Dieses Modell bietet 1,048,576 Tokens, was die Notwendigkeit komplexer Chunking-Verfahren reduzieren kann. Ohne Benchmark-Daten sind die Kosten allein jedoch keine ausreichende Grundlage für die Auswahl; bewerten Sie Genauigkeit und Latenz für Ihre spezifische Aufgabe.
Um dieses Modell zu verwenden, senden Sie Anfragen an den OpenAI-kompatiblen API-Endpunkt von OrcaRouter unter https://api.orcarouter.ai/v1. Setzen Sie den Modellparameter genau auf "qwen/qwen3.5-flash-2026-02-23". Sie müssen einen API-Schlüssel (von OrcaRouter erhalten) im Authorization-Header angeben. Die API unterstützt das standardmäßige OpenAI Chat Completions Format. Multimodale Eingaben (Bilder, Videos) können in die Nachrichteninhaltsliste aufgenommen werden. Verwenden Sie beispielsweise den Endpunkt "chat/completions" mit einem messages-Array. Es ist keine zusätzliche Konfiguration erforderlich. Beachten Sie die Dokumentation von OrcaRouter zur Authentifizierung und zu Ratenbegrenzungen.
Die API unterstützt standardmäßige OpenAI-kompatible Parameter: model (erforderlich), messages (erforderlich), temperature, top_p, max_tokens, stop, frequency_penalty, presence_penalty, stream und andere. max_tokens kann bis zu 65.536 gesetzt werden. Das messages-Array kann system-, user- und assistant-Rollen enthalten. Multimodaler Inhalt ist als Objekte mit dem Typ "text" oder "image_url" strukturiert. Für Videos können mehrere image_url-Einträge verwendet werden. Es sind keine für dieses Modell spezifischen benutzerdefinierten Parameter dokumentiert. Parameter wie stream ermöglichen die Ausgabe von Token in Echtzeit. Testen Sie immer mit Ihren gewünschten Parametern, da bestimmte Kombinationen (z.B. hohe Temperatur mit langen Kontexten) zu unvorhersehbaren Ergebnissen führen können.
Die Migration ist unkompliziert, da die API von OrcaRouter OpenAI-kompatibel ist. Ersetzen Sie Ihre Basis-URL von https://api.openai.com/v1 durch https://api.orcarouter.ai/v1. Ändern Sie Ihre Modell-ID von einem beliebigen GPT-Modell zu "qwen/qwen3.5-flash-2026-02-23". Holen Sie sich einen OrcaRouter-API-Schlüssel und setzen Sie ihn in den Authorization-Header. Wenn Ihr vorhandener Code die OpenAI Python-Bibliothek verwendet, aktualisieren Sie einfach die base_url und den api_key im OpenAI-Client. Beachten Sie, dass das Modell multimodale Eingaben unterstützt. Wenn Sie zuvor separate Vision-Endpunkte verwendet haben, können Sie jetzt Bilder direkt im Chat-Format übergeben. Testen Sie gründlich, da die Ausgaben unterschiedlich sein werden.
Die Basis-URL für alle API-Aufrufe lautet https://api.orcarouter.ai/v1. Die genaue Modell-ID ist "qwen/qwen3.5-flash-2026-02-23". Diese Zeichenfolge muss genau wie angegeben verwendet werden, einschließlich des Schrägstrichs und des Datumssuffixes. Der Endpunkt für Chat-Vervollständigungen ist POST /v1/chat/completions. Für Streaming fügen Sie den Stream-Parameter hinzu. Für dieses Modell sind keine anderen Endpunkte (z. B. Einbettungen, Feintuning) aufgeführt. Überprüfen Sie stets die neueste Endpunktdokumentation auf der OrcaRouter-Website. Die Modell-ID kann von der abweichen, die nativ von Qwen verwendet wird; verwenden Sie stets die OrcaRouter-Modell-ID.
Qwen3.5-Plus ist wahrscheinlich eine größere, leistungsfähigere Variante. Obwohl für keines der beiden Modelle spezifische Details vorliegen, tauschen Flash-Varianten im Allgemeinen Genauigkeit gegen Geschwindigkeit und niedrigere Kosten. Das Flash-Modell hat einen niedrigeren Preis ($0.10/$0.40 gegenüber typischerweise höheren Preisen für Plus). Beide unterstützen vermutlich denselben Kontextfenster und dieselben Modalitäten. Wählen Sie Flash für Hochdurchsatzszenarien, in denen keine perfekte Genauigkeit erforderlich ist; wählen Sie Plus für komplexe Aufgaben. Da keine Benchmark-Daten verfügbar sind, testen Sie wenn möglich beide mit Ihren eigenen Daten. Das Flash-Modell enthält auch das Datum-Tag 2026-02-23, das einen bestimmten Snapshot angibt.
Llama 3.1 8B ist ein beliebtes Open-Weight-Modell mit einem standardmäßigen Kontextfenster von 128K Token. Dieses Qwen Flash-Modell bietet einen viel größeren Kontext (1.048.576 Token) und unterstützt nativ Bild- und Videoeingaben, während Llama 3.1 hauptsächlich textbasiert ist. Die Preise von Llama auf OrcaRouter können ähnlich oder leicht abweichend sein; überprüfen Sie die Preisseite. Für reine Textaufgaben zu ähnlichen Kosten könnte Llama bevorzugt werden, wenn Sie bereits eine bestehende Infrastruktur haben. Für multimodale Anforderungen hat dieses Qwen-Modell die Nase vorn. Beide werden über die OpenAI-kompatible API von OrcaRouter bereitgestellt.
GPT-4o-mini von OpenAI ist ein kleineres, günstigeres Modell mit einem 128K-Kontextfenster. Es unterstützt Text- und Bildeingabe, aber kein Video. Die Preisgestaltung für GPT-4o-mini auf OrcaRouter wird hier nicht angegeben, liegt aber typischerweise bei etwa $0.15/$0.60 pro 1M Tokens. Dieses Qwen-Modell ist bei den Eingabe-Tokens ($0.10) und bei der Ausgabe ($0.40) etwas günstiger. Der Hauptvorteil des Qwen-Modells ist der 1M-Kontext und die Video-Unterstützung. Allerdings ist GPT-4o-mini möglicherweise umfassender getestet und verfügt über eine breitere Ökosystemunterstützung. Wählen Sie basierend auf Ihrem Bedarf an langem Kontext oder Video und Ihrem Vertrauen in die Modellleistung.
Andere Flash-Modelle wie Llama 3.2 Flash oder Mistral small haben typischerweise kleinere Kontextfenster (z. B. 128K) und unterstützen möglicherweise kein Video. Dieses Qwen-Flash-Modell mit seinem Million-Token-Kontext ist ein herausragendes Merkmal. Die Preisgestaltung ist mit $0.10/$0.40 wettbewerbsfähig. Häufige Einschränkungen bei Flash-Modellen sind geringere Genauigkeit bei komplexem Reasoning und Faktenaufgaben. Für Anwendungen, die maximale Qualität erfordern, ist möglicherweise ein Nicht-Flash-Modell derselben Familie oder ein größeres geschlossenes Modell besser. Es werden keine spezifischen Vergleiche zur Geschwindigkeit oder zu Benchmark-Ergebnissen bereitgestellt.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="qwen/qwen3.5-flash-2026-02-23",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)enable_searchenable_thinkinginclude_reasoninglogprobsmax_tokensnparallel_tool_callspresence_penaltyreasoningrepetition_penaltyresponse_formatseedstopstreamstream_optionstemperaturethinking_budgettool_choicetoolstop_ktop_logprobstop_p| Eingabe / 1M Tokens | $0.100 |
|---|---|
| Ausgabe / 1M Tokens | $0.400 |
| Währung | USD |
Schätzung auf Basis des Listenpreises
Nur eine Schätzung — die tatsächliche Token-Anzahl hängt vom Tokenizer des Anbieters ab.
Worüber Entwickler diese Woche sprechen
GET /api/public/models/qwen/qwen3.5-flash-2026-02-23Öffnen @misc{orcarouter_qwen3_5_flash_2026_02_23,
title = {qwen/qwen3.5-flash-2026-02-23 API},
author = {qwen},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3.5-flash-2026-02-23}
}qwen. (n.d.). qwen/qwen3.5-flash-2026-02-23 API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3.5-flash-2026-02-23