Qwen3.5 Flash snapshot 2026-02-23 — versión congelada de qwen3.5-flash, mismas capacidades.
qwen/qwen3.5-flash-2026-02-23 es una versión específica del modelo Qwen3.5 Flash de la familia Qwen de Alibaba. Es un modelo multimodal que admite entradas de texto, imagen y video. Su ventana de…
Este modelo puede realizar una amplia variedad de tareas basadas en texto típicas de los modelos de lenguaje grandes: resúmenes, traducción, respuesta a preguntas, escritura creativa, generación de código y más. Su amplia ventana de contexto lo hace especialmente adecuado para tareas que requieren comprensión de documentos largos o mantener un diálogo a lo largo de muchos turnos. El modelo también es capaz de aprendizaje con pocos ejemplos (few-shot) y sin ejemplos (zero-shot), lo que significa que puede seguir instrucciones sin necesidad de un ajuste fino extenso. Sin embargo, no se proporcionan métricas de precisión específicas para estas tareas. Para tareas que requieren un razonamiento matemático preciso o recuperación de hechos, es posible que debas evaluar el modelo con tus propios puntos de referencia.
El modelo acepta entradas de imágenes como parte del mensaje. Puede describir imágenes, responder preguntas sobre contenido visual y extraer texto u objetos de imágenes. La imagen se representa como una secuencia de tokens que consumen parte de la ventana de contexto. No se especifica el tamaño máximo de la imagen ni la cantidad de imágenes por solicitud; en la práctica, las imágenes de alta resolución usarán más tokens. Para obtener los mejores resultados, proporcione imágenes claras y bien iluminadas. El modelo no admite la generación ni salida de imágenes. No se proporciona información sobre si maneja secuencias de múltiples imágenes o texto e imágenes intercalados más allá del formato multimodal típico.
Se admite la entrada de video, probablemente mediante el muestreo de cuadros y su tokenización. El modelo puede analizar videoclips cortos para resumir, reconocer acciones o responder preguntas. Cada cuadro consume tokens de la ventana de contexto, por lo que la duración del video está limitada por el contexto disponible. No se proporcionan detalles específicos sobre las tasas de muestreo de cuadros ni la duración máxima del video. Para uso en producción, considere preprocesar los videos para extraer cuadros clave. El modelo no genera salida de video. Si su aplicación requiere procesamiento de video en tiempo real, pruebe la latencia con cuidado, ya que la tokenización de video puede ser computacionalmente intensiva.
Este modelo cuesta $0.10 por cada 1M de tokens de entrada y $0.40 por cada 1M de tokens de salida. Si tu aplicación puede tolerar una menor precisión para tareas simples, los modelos más pequeños (por ejemplo, Qwen2.5-0.5B) pueden ser incluso más baratos. Si necesitas mayor calidad para razonamiento complejo o escritura creativa, considera un modelo más grande como Qwen3.5-Plus (si está disponible) o GPT-4o, que pueden tener costos más altos por token pero ofrecen un mejor rendimiento en evaluaciones. La variante flash es ideal para aplicaciones de alto volumen donde la velocidad y el costo son prioridades. En esta página no se documenta ninguna oferta de ajuste fino o personalización para este modelo.
Las principales fortalezas de este modelo son su amplia ventana de contexto (1,048,576 tokens), soporte de entrada multimodal (texto, imagen, video) y bajo precio por token ($0.10/$0.40 por 1M tokens). Está diseñado para velocidad y eficiencia, lo que lo hace adecuado para aplicaciones en tiempo real. La designación flash sugiere que ha sido optimizado para menor latencia en comparación con modelos más grandes. No se proporcionan puntuaciones de referencia en esta página, por lo que no se conoce el rendimiento exacto en tareas estándar de NLP o visión. Basado en modelos flash típicos, es probable que sacrifique algo de precisión por rendimiento y costo.
Las limitaciones honestas incluyen la falta de datos de referencia proporcionados; sin ellos, los usuarios deben validar el rendimiento del modelo en sus propias tareas. El modelo es una variante flash, por lo que puede no igualar la precisión de modelos más grandes o de propósito general en razonamiento complejo, matemáticas o recuperación de hechos. El soporte de video puede estar limitado por el contexto y la eficiencia del muestreo de fotogramas. Debido a que no se proporcionan números específicos de velocidad o latencia, el rendimiento real depende de la infraestructura de OrcaRouter. El modelo no admite el ajuste fino ni puntos finales de incrustación personalizados a través de esta API. Adicionalmente, la fecha de corte de conocimiento del modelo no está especificada; puede que no esté actualizado con los eventos más recientes.
La latencia no está especificada para este modelo en esta página. Como variante flash, se espera que ofrezca inferencia más rápida que modelos más grandes, pero la velocidad real depende de factores como la longitud de entrada, el hardware utilizado por OrcaRouter y la carga de solicitudes concurrentes. Para aplicaciones en tiempo real, realice pruebas con cargas representativas. El endpoint de la API de OrcaRouter está alojado en una infraestructura escalable, pero no se ofrecen garantías sobre la latencia. Los usuarios deben realizar evaluaciones comparativas con sus propias cargas de trabajo. La ventana de contexto grande puede aumentar el tiempo hasta el primer token si se debe procesar todo el contexto. Solicitar solo el contexto necesario puede mejorar el tiempo de respuesta.
No se proporcionan datos de referencia oficiales en esta página para qwen/qwen3.5-flash-2026-02-23. Para evaluar el modelo, consulte la tarjeta del modelo Qwen en Hugging Face o el repositorio de Qwen en GitHub para conocer el rendimiento típico de Qwen3.5 Flash. Las dimensiones de evaluación comunes incluyen MMLU, HumanEval y puntos de referencia de QA visual, pero los resultados pueden variar para esta instantánea específica. OrcaRouter no publica sus propios puntos de referencia para este modelo. Se recomienda a los usuarios que realicen sus propias evaluaciones para determinar su idoneidad para su caso de uso específico, especialmente en cuanto a seguridad, sesgo o precisión específica del dominio.
El precio es de $0.10 por cada 1 millón de tokens de entrada y $0.40 por cada 1 millón de tokens de salida. Estas son tarifas de proveedor sin margen de beneficio por parte de OrcaRouter. Los tokens de entrada incluyen texto, imágenes y fotogramas de video. Los tokens de salida cuentan solo texto generado. No hay tarifa por solicitud, y no se documenta un precio especial para capacidad volumétrica o reservada. Los costos se incurren por la suma de tokens de entrada y salida utilizados en cada llamada a la API. Para una entrada típica de 1,000 tokens y una salida de 500 tokens, el costo es de aproximadamente $0.0003. Debido a que no hay margen, el costo es exactamente lo que cobra Qwen.
OrcaRouter factura este modelo a la tarifa del proveedor sin margen adicional. Esto significa que pagas exactamente $0.10 por cada 1M de tokens de entrada y $0.40 por cada 1M de tokens de salida, sin ningún cargo adicional por servicio. No hay cargos ocultos por solicitudes API, autenticación o transferencia de datos como parte del precio por token. Sin embargo, pueden aplicarse costos de red estándar según tu infraestructura. No se menciona un nivel gratuito. Este precio transparente facilita el cálculo de costos y la comparación con modelos de otros proveedores que podrían agregar márgenes. La tarifa está sujeta a cambios por parte del proveedor; consulta la página de precios de OrcaRouter para conocer las actualizaciones.
No hay descuentos por caché ni precios por volumen documentados para este modelo en esta página. Cada token se cobra individualmente por llamada API. No se menciona almacenamiento en caché de prompts, procesamiento por lotes con descuento ni descuentos por uso comprometido. Si anticipa un alto volumen, póngase en contacto con OrcaRouter para posibles acuerdos personalizados, pero no se ofrece ninguna garantía. La estructura de precios es sencilla: tokens de entrada a $0.10/M, tokens de salida a $0.40/M, sin nivel gratuito. A diferencia de algunos proveedores que ofrecen precios más bajos para prompts en caché, este modelo actualmente no promociona dicha función.
A $0.10/$0.40 por millón de tokens, este modelo es competitivo con muchos modelos flash de peso abierto. Por ejemplo, algunas variantes de Llama 3.1 8B tienen precios similares. Modelos más grandes como GPT-4o mini suelen tener costos por token más altos. El diferenciador clave es el margen cero de OrcaRouter, por lo que pagas la tarifa exacta del proveedor. Al comparar, también considera el tamaño de la ventana de contexto: este modelo ofrece 1,048,576 tokens, lo que puede reducir la necesidad de fragmentación compleja. Sin embargo, sin datos de referencia, el costo por sí solo no es una base suficiente para la selección; evalúa la precisión y la latencia para tu tarea específica.
Para usar este modelo, envía solicitudes al endpoint de API compatible con OpenAI de OrcaRouter en https://api.orcarouter.ai/v1. Establece el parámetro model exactamente como "qwen/qwen3.5-flash-2026-02-23". Debes incluir una clave API (obtenida de OrcaRouter) en el encabezado Authorization. La API admite el formato estándar de finalización de chat de OpenAI. Las entradas multimodales (imágenes, videos) se pueden incluir en la lista de contenido del mensaje. Por ejemplo, usa el endpoint "chat/completions" con un arreglo de mensajes. No se necesita configuración adicional. Consulta la documentación de OrcaRouter para la autenticación y los límites de tasa.
La API admite parámetros estándar compatibles con OpenAI: model (requerido), messages (requerido), temperature, top_p, max_tokens, stop, frequency_penalty, presence_penalty, stream y otros. max_tokens puede configurarse hasta 65,536. El array messages puede incluir roles de system, user y assistant. El contenido multimodal se estructura como objetos con tipo "text" o "image_url". Para video, pueden usarse múltiples entradas image_url. No se documentan parámetros personalizados específicos de este modelo. Parámetros como stream permiten la salida de tokens en tiempo real. Siempre pruebe con los parámetros deseados, ya que ciertas combinaciones (por ejemplo, temperatura alta con contextos largos) pueden producir resultados impredecibles.
La migración es sencilla porque la API de OrcaRouter es compatible con OpenAI. Reemplace su URL base de https://api.openai.com/v1 a https://api.orcarouter.ai/v1. Cambie su ID de modelo de cualquier modelo GPT a "qwen/qwen3.5-flash-2026-02-23". Obtenga una clave API de OrcaRouter y configúrela en el encabezado de Authorization. Si su código existente utiliza la biblioteca de Python de OpenAI, simplemente actualice el base_url y el api_key en el cliente de OpenAI. Tenga en cuenta que el modelo admite entrada multimodal, por lo que si anteriormente usaba endpoints de visión separados, ahora puede pasar imágenes directamente en el formato de chat. Pruebe minuciosamente ya que los resultados serán diferentes.
La URL base para todas las llamadas a la API es https://api.orcarouter.ai/v1. El ID exacto del modelo es "qwen/qwen3.5-flash-2026-02-23". Esta cadena debe usarse exactamente como se proporciona, incluyendo la barra y el sufijo de fecha. El endpoint para las finalizaciones de chat es POST /v1/chat/completions. Para streaming, añada el parámetro stream. No se listan otros endpoints (por ejemplo, embeddings, fine-tuning) para este modelo. Siempre verifique la documentación más reciente de los endpoints en el sitio de OrcaRouter. El ID del modelo puede diferir del que se usa de forma nativa en Qwen; use siempre el ID del modelo de OrcaRouter.
Qwen3.5-Plus es probablemente una variante más grande y más capaz. Aunque no se proporcionan detalles específicos para ninguno de los dos modelos, las variantes flash generalmente intercambian precisión por velocidad y menor costo. El modelo flash tiene un precio más bajo ($0.10/$0.40 frente a típicamente más alto para Plus). Ambos probablemente admiten la misma ventana de contexto y modalidades. Elija flash para escenarios de alto rendimiento donde no se requiera precisión perfecta; elija Plus para tareas complejas. Dado que no hay datos de referencia disponibles, pruebe ambos con sus propios datos si es posible. El modelo flash también contiene la etiqueta de fecha 2026-02-23, lo que indica una instantánea específica.
Llama 3.1 8B es un popular modelo de pesos abiertos con una ventana de contexto estándar de 128K tokens. Este modelo flash de Qwen ofrece un contexto mucho más grande (1,048,576 tokens) y admite entrada de imágenes y video de forma nativa, mientras que Llama 3.1 es principalmente texto. El precio de Llama en OrcaRouter puede ser similar o ligeramente diferente; consulta la página de precios. Para tareas solo de texto a un costo similar, Llama podría ser preferido si tienes infraestructura existente. Para necesidades multimodales, este modelo Qwen tiene ventaja. Ambos se acceden a través de la API compatible con OpenAI de OrcaRouter.
GPT-4o-mini de OpenAI es un modelo más pequeño y económico con una ventana de contexto de 128K. Admite entrada de texto e imagen, pero no video. Los precios de GPT-4o-mini en OrcaRouter no se indican aquí, pero normalmente rondan los $0.15/$0.60 por 1M de tokens. Este modelo Qwen es ligeramente más barato en tokens de entrada ($0.10) y en salida ($0.40). La principal ventaja del modelo Qwen es el contexto de 1M y la compatibilidad con video. Sin embargo, GPT-4o-mini puede estar más exhaustivamente evaluado y tener un ecosistema de soporte más amplio. Elige según tu necesidad de contexto largo o video, y tu confianza en el rendimiento del modelo.
Otros modelos flash, como Llama 3.2 Flash o Mistral small, suelen tener ventanas de contexto más pequeñas (por ejemplo, 128K) y puede que no admitan video. El contexto de un millón de tokens de este modelo Qwen flash es una característica destacada. Los precios son competitivos a $0.10/$0.40. Las limitaciones comunes entre los modelos flash incluyen una menor precisión en tareas complejas de razonamiento y factuales. Para aplicaciones que requieren máxima calidad, un modelo no flash de la misma familia o un modelo cerrado más grande puede ser mejor. No se proporcionan comparaciones específicas sobre velocidad o puntuaciones de referencia.
Compatible con OpenAI: conserva tu SDK actual
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| Entrada / 1M tokens | $0.100 |
|---|---|
| Salida / 1M tokens | $0.400 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
De qué hablan los desarrolladores esta semana
GET /api/public/models/qwen/qwen3.5-flash-2026-02-23Abrir @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