Qwen3.5 Flash snapshot 2026-02-23 — version figée de qwen3.5-flash, mêmes capacités.
qwen/qwen3.5-flash-2026-02-23 est une version spécifique du modèle Qwen3.5 Flash de la famille Qwen d’Alibaba. Il s’agit d’un modèle multimodal prenant en charge les entrées texte, image et vidéo. Sa…
Ce modèle peut effectuer une large gamme de tâches textuelles typiques des grands modèles de langage : résumé, traduction, réponse aux questions, écriture créative, génération de code, etc. Sa grande fenêtre de contexte le rend particulièrement adapté aux tâches nécessitant la compréhension de longs documents ou le maintien d'un dialogue sur de nombreux tours. Le modèle est également capable d'apprentissage en quelques exemples (few-shot) et sans exemple (zero-shot), ce qui signifie qu'il peut suivre des instructions sans nécessiter de fine-tuning approfondi. Cependant, aucune mesure d'exactitude spécifique n'est fournie pour ces tâches. Pour les tâches nécessitant un raisonnement mathématique précis ou un rappel factuel, vous devrez peut-être évaluer le modèle par rapport à vos propres références.
Le modèle accepte les entrées d'image dans le cadre du prompt. Il peut décrire des images, répondre à des questions sur le contenu visuel et extraire du texte ou des objets à partir d'images. L'image est représentée sous forme d'une séquence de tokens qui consomme une partie de la fenêtre de contexte. La taille maximale des images ou le nombre d'images par requête n'est pas spécifié ; en pratique, les images haute résolution utiliseront plus de tokens. Pour de meilleurs résultats, fournissez des images claires et bien éclairées. Le modèle ne prend pas en charge la génération ou la sortie d'images. Aucune information n'est fournie sur la prise en charge des séquences multi-images ou du texte et des images entrelacés au-delà du format multimodal typique.
L'entrée vidéo est prise en charge, probablement en échantillonnant les trames et en les tokenisant. Le modèle peut analyser de courts clips vidéo pour le résumé, la reconnaissance d'actions ou la réponse à des questions. Chaque trame consomme des jetons de la fenêtre de contexte, donc la durée de la vidéo est limitée par le contexte disponible. Aucun détail spécifique sur les taux d'échantillonnage des trames ou la durée maximale de la vidéo n'est fourni. Pour une utilisation en production, envisagez de prétraiter les vidéos pour extraire les trames clés. Le modèle ne génère pas de sortie vidéo. Si votre application nécessite un traitement vidéo en temps réel, testez soigneusement la latence car la tokenisation vidéo peut être intensive en calcul.
Ce modèle coûte 0,10 $ pour 1 million de tokens d’entrée et 0,40 $ pour 1 million de tokens de sortie. Si votre application peut tolérer une précision moindre pour des tâches simples, des modèles plus petits (par ex., Qwen2.5-0.5B) peuvent être encore moins chers. Si vous avez besoin d’une qualité supérieure pour un raisonnement complexe ou une écriture créative, envisagez un modèle plus grand comme Qwen3.5-Plus (si disponible) ou GPT-4o, qui peuvent avoir des coûts par token plus élevés mais offrir de meilleures performances sur les benchmarks. La variante flash est idéale pour les applications à fort volume où la vitesse et le coût sont prioritaires. Aucune offre de réglage fin ou de personnalisation n’est documentée pour ce modèle sur cette page.
Les principaux atouts de ce modèle sont sa grande fenêtre de contexte (1 048 576 tokens), la prise en charge des entrées multimodales (texte, image, vidéo) et un faible coût par token (0,10 $ / 0,40 $ par million de tokens). Il est conçu pour la rapidité et l'efficacité, ce qui le rend adapté aux applications en temps réel. La désignation « flash » suggère qu'il a été optimisé pour une latence plus faible par rapport aux modèles plus grands. Aucun score de référence n'est fourni sur cette page, donc les performances exactes sur des tâches standard de NLP ou de vision ne sont pas connues. D'après les modèles flash typiques, il sacrifie probablement une certaine précision au profit du débit et du coût.
Les limitations honnêtes incluent le manque de données de référence fournies ; sans cela, les utilisateurs doivent valider les performances du modèle sur leurs propres tâches. Le modèle est une variante flash, il peut donc ne pas égaler la précision des modèles plus grands ou généralistes sur le raisonnement complexe, les mathématiques ou la récupération de faits. La prise en charge vidéo peut être limitée par le contexte et l'efficacité de l'échantillonnage des trames. Comme aucun chiffre spécifique de vitesse ou de latence n'est fourni, le débit réel dépend de l'infrastructure d'OrcaRouter. Le modèle ne prend pas en charge le fine-tuning ou les points de terminaison d'embedding personnalisés via cette API. De plus, la date de coupure des connaissances du modèle n'est pas spécifiée ; il peut ne pas être mis à jour avec les événements les plus récents.
La latence n'est pas spécifiée pour ce modèle sur cette page. En tant que variante flash, il est censé offrir une inférence plus rapide que les modèles plus volumineux, mais la vitesse réelle dépend de facteurs tels que la longueur de l'entrée, le matériel utilisé par OrcaRouter et la charge de requêtes simultanées. Pour les applications en temps réel, testez avec des charges utiles représentatives. Le point de terminaison API d'OrcaRouter est hébergé sur une infrastructure évolutive, mais aucune garantie sur la latence n'est fournie. Les utilisateurs doivent effectuer des tests de performance avec leurs propres charges de travail. La grande fenêtre de contexte peut augmenter le délai avant le premier jeton si l'intégralité du contexte doit être traitée. Ne demander que le contexte nécessaire peut améliorer le temps de réponse.
Aucune donnée de benchmark officielle n'est fournie sur cette page pour qwen/qwen3.5-flash-2026-02-23. Pour évaluer le modèle, consultez la fiche modèle Qwen sur Hugging Face ou le dépôt GitHub Qwen pour les performances typiques de Qwen3.5 Flash. Les dimensions d'évaluation courantes incluent MMLU, HumanEval et les benchmarks de Q&A visuels, mais les résultats peuvent varier pour cet instantané spécifique. OrcaRouter ne publie pas ses propres benchmarks pour ce modèle. Les utilisateurs sont encouragés à effectuer leurs propres évaluations pour déterminer l'adéquation à leur cas d'usage spécifique, notamment en matière de sécurité, de biais ou de précision spécifique à un domaine.
Le prix est de 0,10 $ pour 1 million de tokens d'entrée et de 0,40 $ pour 1 million de tokens de sortie. Ce sont des tarifs fournisseur sans majoration de la part d'OrcaRouter. Les tokens d'entrée incluent le texte, les images et les trames vidéo. Les tokens de sortie ne comptent que le texte généré. Il n'y a pas de frais par requête, et aucun tarif spécial pour une capacité en volume ou réservée n'est documenté. Les coûts sont encourus pour la somme des tokens d'entrée et de sortie utilisés dans chaque appel API. Pour une entrée typique de 1 000 tokens et une sortie de 500 tokens, le coût est d'environ 0,0003 $. Comme il n'y a pas de majoration, le coût est exactement ce que Qwen facture.
OrcaRouter facture ce modèle au tarif du fournisseur sans aucune marge. Cela signifie que vous payez exactement 0,10 $ par million de tokens en entrée et 0,40 $ par million de tokens en sortie, sans frais de service supplémentaires. Il n'y a pas de frais cachés pour les requêtes API, l'authentification ou le transfert de données dans le cadre de la tarification par token. Cependant, des coûts réseau standard peuvent s'appliquer en fonction de votre infrastructure. Aucun niveau gratuit n'est mentionné. Cette tarification transparente facilite le calcul des coûts et la comparaison avec les modèles d'autres fournisseurs qui peuvent ajouter des marges. Le tarif est susceptible d'être modifié par le fournisseur ; consultez la page de tarification d'OrcaRouter pour les mises à jour.
Aucune réduction pour mise en cache ou tarification en volume n'est documentée pour ce modèle sur cette page. Chaque jeton est facturé individuellement par appel API. Il n'est fait aucune mention de mise en cache des invites, de traitement par lots à prix réduit ou de réductions pour usage engagé. Si vous prévoyez un volume élevé, contactez OrcaRouter pour d'éventuels arrangements personnalisés, mais aucune garantie n'est donnée. La structure tarifaire est simple : jetons d'entrée à $0.10/M, jetons de sortie à $0.40/M, pas de niveau gratuit. Contrairement à certains fournisseurs qui offrent des prix plus bas pour les invites mises en cache, ce modèle ne fait actuellement pas la promotion d'une telle fonctionnalité.
À $0.10/$0.40 par million de tokens, ce modèle est compétitif avec de nombreux modèles flash à poids ouverts. Par exemple, certaines variantes de Llama 3.1 8B sont proposées à des prix similaires. Les modèles plus grands comme GPT-4o mini ont souvent des coûts par token plus élevés. Le principal différenciateur est la marge zéro d'OrcaRouter, vous payez donc le tarif exact du fournisseur. Lors de la comparaison, tenez également compte de la taille de la fenêtre de contexte : ce modèle offre 1,048,576 tokens, ce qui peut réduire la nécessité d'un découpage complexe. Cependant, sans données de référence, le coût seul ne constitue pas une base suffisante pour la sélection ; évaluez la précision et la latence pour votre tâche spécifique.
Pour utiliser ce modèle, envoyez des requêtes au point de terminaison compatible OpenAI d'OrcaRouter à l'adresse https://api.orcarouter.ai/v1. Définissez le paramètre model exactement sur "qwen/qwen3.5-flash-2026-02-23". Vous devez inclure une clé API (obtenue auprès d'OrcaRouter) dans l'en-tête Authorization. L'API prend en charge le format standard de chat completions d'OpenAI. Les entrées multimodales (images, vidéos) peuvent être incluses dans la liste du contenu du message. Par exemple, utilisez le point de terminaison "chat/completions" avec un tableau messages. Aucune configuration supplémentaire n'est nécessaire. Référez-vous à la documentation d'OrcaRouter pour l'authentification et les limites de débit.
L'API prend en charge les paramètres standards compatibles avec OpenAI : model (obligatoire), messages (obligatoire), temperature, top_p, max_tokens, stop, frequency_penalty, presence_penalty, stream, et d'autres. max_tokens peut être défini jusqu'à 65 536. Le tableau messages peut inclure les rôles system, user et assistant. Le contenu multimodal est structuré sous forme d'objets avec le type "text" ou "image_url". Pour la vidéo, plusieurs entrées image_url peuvent être utilisées. Aucun paramètre personnalisé propre à ce modèle n'est documenté. Les paramètres comme stream permettent une sortie de tokens en temps réel. Testez toujours avec vos paramètres souhaités, car certaines combinaisons (par exemple, une température élevée avec de longs contextes) peuvent produire des résultats imprévisibles.
La migration est simple car l'API d'OrcaRouter est compatible avec OpenAI. Remplacez votre URL de base de https://api.openai.com/v1 par https://api.orcarouter.ai/v1. Remplacez votre ID de modèle de tout modèle GPT par "qwen/qwen3.5-flash-2026-02-23". Obtenez une clé API OrcaRouter et définissez-la dans l'en-tête Authorization. Si votre code existant utilise la bibliothèque Python OpenAI, mettez simplement à jour le base_url et l'api_key dans le client OpenAI. Notez que le modèle prend en charge les entrées multimodales, donc si vous utilisiez auparavant des endpoints de vision séparés, vous pouvez maintenant passer des images directement dans le format de chat. Testez minutieusement car les résultats différeront.
L'URL de base pour tous les appels API est https://api.orcarouter.ai/v1. L'ID de modèle exact est "qwen/qwen3.5-flash-2026-02-23". Cette chaîne doit être utilisée exactement comme fournie, y compris la barre oblique et le suffixe de date. Le point de terminaison pour les complétions de chat est POST /v1/chat/completions. Pour le streaming, ajoutez le paramètre stream. Aucun autre point de terminaison (par exemple, embeddings, fine-tuning) n'est répertorié pour ce modèle. Vérifiez toujours la documentation la plus récente des points de terminaison sur le site d'OrcaRouter. L'ID du modèle peut différer de celui utilisé nativement par Qwen ; utilisez toujours l'ID de modèle d'OrcaRouter.
Qwen3.5-Plus est probablement une variante plus grande et plus performante. Bien qu'aucun détail spécifique ne soit fourni pour l'un ou l'autre modèle, les variantes flash échangent généralement la précision contre la rapidité et un coût réduit. Le modèle flash a un prix plus bas (0,10 $ / 0,40 $, contre généralement plus élevé pour Plus). Les deux prennent probablement en charge la même fenêtre de contexte et les mêmes modalités. Choisissez flash pour les scénarios à haut débit où une précision parfaite n'est pas requise ; choisissez Plus pour les tâches complexes. Puisqu'aucune donnée de benchmark n'est disponible, testez les deux sur vos propres données si possible. Le modèle flash contient également le tag de date 2026-02-23, indiquant un snapshot spécifique.
Llama 3.1 8B est un modèle open-weight populaire avec une fenêtre de contexte standard de 128K tokens. Ce modèle Qwen flash offre un contexte beaucoup plus large (1 048 576 tokens) et prend en charge les entrées d'image et de vidéo de manière native, alors que Llama 3.1 est principalement textuel. Le prix de Llama sur OrcaRouter peut être similaire ou légèrement différent ; consultez la page de tarification. Pour les tâches uniquement textuelles à un coût similaire, Llama pourrait être préféré si vous avez une infrastructure existante. Pour les besoins multimodaux, ce modèle Qwen a un avantage. Les deux sont accessibles via l'API compatible OpenAI d'OrcaRouter.
GPT-4o-mini d'OpenAI est un modèle plus petit et moins cher avec une fenêtre de contexte de 128K. Il prend en charge les entrées texte et image, mais pas la vidéo. Les tarifs de GPT-4o-mini sur OrcaRouter ne sont pas indiqués ici, mais se situent généralement autour de 0,15 $/0,60 $ par million de tokens. Ce modèle Qwen est légèrement moins cher sur les tokens d'entrée (0,10 $) et sur les tokens de sortie (0,40 $). Le principal avantage du modèle Qwen est son contexte de 1M et la prise en charge de la vidéo. Cependant, GPT-4o-mini pourrait être plus largement évalué et bénéficier d'un meilleur écosystème. Choisissez en fonction de votre besoin de contexte long ou de vidéo, et de votre confiance dans les performances du modèle.
D'autres modèles flash, tels que Llama 3.2 Flash ou Mistral small, ont généralement des fenêtres de contexte plus petites (par exemple, 128K) et peuvent ne pas prendre en charge la vidéo. La fenêtre de contexte d'un million de tokens de ce modèle Qwen flash est une caractéristique remarquable. Les prix sont compétitifs à $0,10/$0,40. Les limitations courantes des modèles flash incluent une précision moindre sur les tâches de raisonnement complexe et factuelles. Pour les applications qui nécessitent une qualité maximale, un modèle non flash de la même famille ou un modèle fermé plus grand peut être préférable. Aucune comparaison spécifique sur la vitesse ou les scores de référence n'est fournie.
Compatible OpenAI — gardez votre SDK actuel
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| Entrée / 1M tokens | $0.100 |
|---|---|
| Sortie / 1M tokens | $0.400 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
Ce dont parlent les développeurs cette semaine
GET /api/public/models/qwen/qwen3.5-flash-2026-02-23Ouvrir @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